CN115499467B - 基于数字孪生的智能网联车测试平台及其搭建方法与*** - Google Patents
基于数字孪生的智能网联车测试平台及其搭建方法与*** Download PDFInfo
- Publication number
- CN115499467B CN115499467B CN202211084231.6A CN202211084231A CN115499467B CN 115499467 B CN115499467 B CN 115499467B CN 202211084231 A CN202211084231 A CN 202211084231A CN 115499467 B CN115499467 B CN 115499467B
- Authority
- CN
- China
- Prior art keywords
- python
- sumo
- traffic
- vehicle
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于数字孪生的智能网联车测试平台搭建方法,包括搭建Python环境,部署SUMO和Unity于Python环境中,并建立SUMO和Unity之间的通信;开发SUMO‑Python平台,利用SUMO‑Python平台构建数字孪生基本的实体镜像和路网交通需求镜像;具体的细节镜像与交互过程通过Unity实现。本发明集成Unity,SUMO与Python环境为一体,可支持开发路网层面车辆级别的智能网联车测试平台,能够提供更柔性且可拓展的智能网联车测试服务,也可为智能网联车与人工驾驶车辆组成的混合流车辆建模提供帮助。
Description
技术领域
本发明涉及智能车测试平台搭建技术领域,尤其是指一种基于数字孪生的智能网联车测试平台及其搭建方法与***。
背景技术
目前,数字孪生概念刚成熟不久,因此基于数字孪生的智能网联车仿真研究处于初创阶段,已有的研究成果与发明成果不多,其研究内容主要体现在三个方面:数据传输与网络通信、车辆动力与传感器***和智能网联车流建模。例如,围绕智能网联车流建模,密歇根大学Henry X.Liu团队建立了集增强现实测试与场景库为一体的平台,利用交通仿真软件Vissim为Mcity智能网联车专用测试场产生了背景车流,解决了实际专用测试场在测试时只有测试车辆没有背景车辆的问题。与智能网联车相关的高科技公司根据自身的业务需求开发了一批数字孪生的智能网联车驾驶测试平台,包括微软开发的Airsim,谷歌开发的Simulation City,百度开发的Apollo,这些平台的存在丰富了数字孪生智能网联车测试内涵。
但是当前基于数字孪生的智能网联车测试平台搭建技术存在以下缺陷,导致在实际应用中难以落地:(1)场景较为单一,以当前开源软件Carla为例,能提供的使用案例较为有限,无法提供夜、风、雨、雪等实际驾驶环境,难以嵌入外部算法;(2)当前的测试主要集中在单条道路测试中,很少面向交叉口的测试,更缺少面向路网的智能网联车测试功能;(3)所搭建的测试平台中难以反映交通管控策略。
因此,迫切需要提供一种基于数字孪生的智能网联车测试平台搭建方法,以解决智能网联车测试平台在搭建中存在的上述问题。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术存在的问题,提出一种基于数字孪生的智能网联车测试平台及其搭建方法与***,其集成引擎Unity,交通仿真软件SUMO与Python环境为一体,可支持开发路网层面车辆级别的智能网联车测试平台,能够提供更柔性且可拓展的智能网联车测试服务,也可为智能网联车与人工驾驶车辆组成的混合流车辆建模提供帮助。
为解决上述技术问题,本发明提供一种基于数字孪生的智能网联车测试平台搭建方法,包括:
搭建Python环境,部署交通仿真软件SUMO和引擎Unity于所述Python环境中,并建立所述交通仿真软件SUMO和引擎Unity之间的通信;
开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像;
其中,具体的细节镜像通过所述引擎Unity实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态。
在本发明的一个实施例中,还提供一驾驶模拟器,将所述驾驶模拟器部署于所述Python环境中。
在本发明的一个实施例中,构建数字孪生实体镜像的方法包括:
数字孪生实体镜像通过SUMO-Python平台和引擎Unity实现,SUMO-Python平台提供粗糙的宏观实体数字镜像,引擎Unity在细节端提供高精度的实体数字镜像。
在本发明的一个实施例中,还提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中。
在本发明的一个实施例中,利用交通检测点的数据估计路网实时交通流的方法包括:
对实际路网进行特征提取与抽象处理,根据实际路网中节点和链接的关系构建数学网络,所述数学网络包括节点与节点之间的路网拓扑结构关系建立和交叉口网络化表示;
获取检测点的交通数据,将所述交通数据和数学网络输入至路径流估计模型中进行求解,得到路径流量。
在本发明的一个实施例中,所述路径流估计模型为:
其中,i∈I表示道路索引,I表示路段集合,t表示时间间隔,p∈P(t)表示路径索引,P(t)表示路径集合,A(t)表示0-1路径-路段关联矩阵,Ap,i(t)表示t时间间隔内路段i在路径p上,xp(t)表示t时间间隔内路径p上的流量,flowi(t)表示检测点路段i在t时间间隔内获取到的流量,erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
在本发明的一个实施例中,所述引擎Unity允许在虚拟孪生车辆中增加多个孪生摄像头,以及支持和模拟AI智能学习算法训练。
在本发明的一个实施例中,所述引擎Unity使用内置的投掷线模拟雷达的探测行为。
此外,本发明还提供一种基于数字孪生的智能网联车测试平台搭建***,包括:
Python环境搭建模块,其用于搭建Python环境;
工具集成模块,其用于部署交通仿真软件SUMO和引擎Unity于所述Python环境中,并建立所述交通仿真软件SUMO和引擎Unity之间的通信;
SUMO-Python平台搭建模块,其用于开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像,其中,具体的细节镜像通过所述引擎Unity实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态。
在本发明的一个实施例中,还包括驾驶模拟器安装模块和python包搭建模块,所述驾驶模拟器安装模块用于提供一驾驶模拟器,将所述驾驶模拟器部署于所述Python环境中;所述python包搭建模块用于提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中。
还有,本发明还提供一种基于数字孪生的智能网联车测试平台,该智能网联车测试平台使用如上述所述的基于数字孪生的智能网联车测试平台搭建方法搭建而成。
本发明的上述技术方案相比现有技术具有以下优点:
1.本发明集成引擎Unity,交通仿真软件SUMO与Python环境为一体,可支持开发路网层面车辆级别的智能网联车测试平台,能够提供更柔性且可拓展的智能网联车测试服务,也可为智能网联车与人工驾驶车辆组成的混合流车辆建模提供帮助;
2.本发明允许用户自定义交通场景、设置交通管控策略,并虚拟车辆细节与信息交互全过程。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1为本发明实施例所提出的一种基于数字孪生的智能网联车测试平台搭建方法的技术架构图。
图2为本发明实施例Unity孪生智能网联车实体框架示意图。
图3为本发明实施例估计交通路径流的框架示意图。
图4为本发明实施例智能网联车50%渗透率条件下的路径流量与密度展示图。
图5为本发明实施例智能网联车50%渗透率条件下的冲突持续时间分布展示图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
对于智能网联车的智能驾驶***来讲,通常需要百亿公里级别的测试里程才能够覆盖充足的场景,如果只依靠实际路测,无论是在效率和经济方面都是很难完成的挑战。因此本发明实施例提供了一种基于数字孪生的智能网联车测试平台搭建方法,包括:
搭建Python环境,部署交通仿真软件SUMO和引擎Unity于所述Python环境中,并建立所述交通仿真软件SUMO和引擎Unity之间的通信;
开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像;
其中,具体的细节镜像通过所述引擎Unity开发实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态;
还提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中。
本发明提出的一种基于数字孪生的智能网联车测试平台搭建方法集成引擎Unity,交通仿真软件SUMO与Python环境为一体,可支持开发路网层面车辆级别的智能网联车测试平台,该搭建方法允许用户自定义交通场景、设置交通管控策略,并虚拟车辆细节与信息交互全过程;该平台搭建方法通过自创的Python包(DTSUMO)实现实际交通数据的接入,可通过交通点数据(point-data)复现实际的路网车辆轨迹。总体上,相比已存在的研究,本发明可以提供更柔性且可拓展的智能网联车测试服务,也可为智能网联车与人工驾驶车辆组成的混合流车辆建模提供帮助。
具体地,如图1所示,本发明集成交通仿真软件SUMO、引擎Unity、驾驶模拟器和Python四大模块。SUMO负责产生背景交通流、构建基本仿真要素、以及嵌入智能网联车相关算法。本发明借助游戏引擎Unity描述智能网联车的车辆动力属性、信息感知属性与其他物体的信息交互属性,模拟车辆加速、减速、转弯、车辆碰撞等真实效果,监听智能网联车的行驶、V2V、V2I的状态。驾驶模拟器允许驾驶员操作非智能网联车。Python环境集成交通仿真软件SUMO、引擎Unity和驾驶模拟器,并建立三者之间的信息通信。本发明也可塑造不同的交通场景,比如不同的智能网联车渗透率、车辆需求、视觉景观、道路条件等等,可编辑和测试智能网联车的相关的算法、决策模型、动力能力、通讯能力等,还可以研究人工驾驶车辆在行驶过程对智能网联车的响应行为。另外由智能交通摄像头实地检测到数据将通过软件包—DTSUMO来产生测试所需的背景交通流。
如图2所示,在本发明的体系中,所搭建测试平台的实体镜像主要由两个SUMO-Python平台和引擎Unity实现,SUMO-Python平台承担基本的较为粗糙的宏观实体数字镜像,Unity在细节端提供高精度的实体数字镜像。其中SUMO-Python平台通过SUMO接口Traci搭建,可关联open street map、能实现大规模路网级交通仿真、实现路网和地图的基本数字镜像。SUMO全称是城市交通仿真(Simulation of Urban Mobility,SUMO),是一个开放源代码,高度可移植,微观且连续的交通模拟包,旨在处理大型道路网络。SUMO可以模拟由单个车辆组成的给定交通需求的道路网络。SUMO车流是纯微观的,其中每辆车都有明确的轨迹,并通过网络单独移动,SUMO包括准备和执行流量模拟所需的所有应用程序(网络和路由导入、DUA、仿真平台),同时SUMO也提供了大量工具和开发包,以供使用者进行二次开发。具体的细节镜像将由引擎Unity开发实现,Unity项目由很多场景构成的,场景可以根据需要添加地形(Terrain)来模仿地面,也可以保存若干对象(GameObject)如车、树木、灯光等。这些对象可以被添加组件(Component),例如声音、重力效果、碰撞盒、粒子效果灯。其中,摄像机(Camera)通过透视(Perspective)、正交(Orthographic)两种模式来控制场景中显示的视觉效果,从而实现VR。请参阅图2所示,以智能网联车车为例,引擎Unity将实现孪生车辆实体(3D车体、信息传感器、车流动力属性等)、道路实体、设施实体以及环境实体等。在实体镜像的构建过程中,简单地讲,SUMO将用来产生网络交通流,Unity通过孪生车流实体进一步反映SUMO产生的交通流在实体条件约束下的最终表现。
本发明关联了自创的python包(DTSUMO),其架构如图3所示,主要用途是利用交通检测点数据反推路网实时交通流、并通过SUMO二次开发手段将估算的网络流以车辆输入的形式配置在SUMO路网中。DTSUMO实现交通实际数据到孪生平台的迁移,打通了实际交通需求到虚拟车辆轨迹的联系。DTSUMO改进了传统的OD反推算法,将更新为一个动态路径流最优匹配问题。
具体地,上述路径流量估计包括以下步骤:
S1:对SUMO路网进行特征提取与抽象处理,将其转换为带有边属性的可被建模的数学网络;
S2:获取检测点的交通数据,将所述交通数据和数学网络输入至路径流估计模型中进行求解,得到路径流量;
S3:基于所述路径流量对路网交通状态进行实时更新和实时仿真。
其中,在步骤S1中,为了对路网交通流进行建模,SUMO仿真路网(即:实际路网,SUMO可将区域地图直接转换为仿真路网)需要转换为可被建模的数学网络。本发明提出的方法可根据SUMO网络中节点和链接的关系构建一个网络G(Node,Edge)。此网络来源于两个部分:1)节点与节点之间的路网拓扑结构关系建立;2)交叉口网络化表示。节点间的拓扑结构与一般网络抽象方法一致,均是利用节点直接邻接关系建立节点-边关系。交叉口网络化表示是本发明的创新点,即把交叉口内部的流线表示为节点-边关系。具体交叉口提取与抽象方法通过对交叉口进行流线与信号相位分析,把车流合流点和分流点作为网络节点,对流线进行分段以建立网络的边。边的属性比如速度、车道数、长度等等于所在流线上的交通流的速度、所涉及的车道数以及长度。交叉口网络化的意义在于可保留路网交叉口微观拓扑信息(交叉口设计图、交通流向、信号信息、交通组织等)。基于转换的数学网络,网络的起点节点、重点节点、中间过渡节点、合流节点、分流节点、交叉口节点等可以进行识别与分类。本发明用迪杰斯特拉算法基于路段行程时间计算每个起点-终点对之间的最短路径。
其中,在步骤S2中,本发明将路径流实时估算问题问题定义为:在有限检测器信息的条件下,通过估算路网起终点的路径流量使观察到的道路流量与估算的道路流量之间误差最小。本发明将此问题抽象为一个数学优化模型(路径流估计模型),在路约束下利用观察到的路段流量估算最优路径流量。在这里,本发明所用的方法使用变量i来描述网络中的一条路段,使用flowi(t)表示在时间间隔t内观察到的路段流量。如果路段i没有线圈检测器,flowi(t)就不会存在,而不是等于0。变量p表示最短路径索引。A(t)是一个0-1路径-路段关联矩阵,表示路径和路段之间在时间间隔t内的关联。
上述路径流估计模型为:
其中,i∈I表示道路索引,I表示路段集合,t表示时间间隔,p∈P(t)表示路径索引,P(t)表示路径集合,A(t)表示0-1路径-路段关联矩阵,Ap,i(t)表示t时间间隔内路段i在路径p上,xp(t)表示t时间间隔内路径p上的流量,flowi(t)表示检测点路段i在t时间间隔内获取到的流量,erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
该模型是一个最小二次凸优化问题。目标函数公式(1)最小化总误差。约束(2)确保进入虚拟孪生路网的车辆等于实际进入路网的车辆。约束(3)表示在路网非输入型路段上,观察到的流量和估算流量之间的关系。不等式(4)保证评估到的路径流是一个非负数。公式(5)说明误差erri(t)是一个实数变量。由于本模型是一个凸优化问题,在求解时直接调用了开源求解器IPOPT进行求解,产生的最优解xp(t)将用表示与实际情况接近的路径流。
其中,在步骤S3中,在每个时间间隔t的开始时间,读取SUMO仿真中每条道路的行程时间,然后更新所构建的数学网络的路段行程时间,并根据更新的路段行程时间重新搜索每个起点-终点对的路线p。此外,A(t)矩阵在路径流估计中也将更新。输入A(t)后,更新网络信息并将实际检测器观测到的交通流flowi(t)输入到所提出的路径流估计模型中,可以得到时间间隔t的估计路径流量。进一步地,将每条路径流离散化为该时间间隔的车辆序列,并且为每辆车添加路径、出发时间等信息,并将这些信息通过Traci接口输入SUMO设置中。在每个时间间隔t内滚动完成上述工作,即可进行动态实时仿真。总体上,实时仿真具有两个作用:一是呈现动态的交通状态,二是在路径流估计过程中为路网信息更新提供支撑。
本发明需要内嵌的算法主要有两种:智能网联车智能驾驶算法和智能网联车环境感知算法。
(1)智能驾驶算法
本发明内嵌的智能驾驶算法主要依赖SUMO智能驾驶模型库并对其进行二次开发来完成。智能驾驶算法可以粗略地分为跟车算法和变道算法。SUMO中的跟车算法包含当前了该研究领域的主要算法,包括Krauss,KraussOrig1,PWagner2009,BKerner,IDM,IDMM,EIDM,KraussPS,KraussAB,SmartSK,Wiedemann,W99,Daniel1,ACC,CACC,和Rail,可以满足本平台对智能跟车算法开发的基本需求。SUMO提供的变道算法包括LC2013,SL2015,和DK2008。
(2)智能网联车图像识别法
智能网联车对驾驶环境的感知需要多项传感器协调完成,其中一项就是利用图像识别技术进行场景分析。现有的大部分图像识别技术的核心是AI智能算法,在AI智能算法能够发挥具体决策功能之前,需要完成海量的场景学习与测试。本发明所用的Unity允许在虚拟孪生车辆中增加多个孪生摄像头,可支持和模拟AI智能学习算法训练。这些算法直接可以基于丰富的孪生场景进行训练,无需再导入实际场景。图像识别技术多样,本发明本身不开发此系列算法,只为这些算法训练和决策作支持。
智能网联车以网联设备和雷达装置为主要手段与其他交通设施进行信息交互。网联设施可用于即时通讯与信息传递,本发明在孪生网联通讯时,主要以虚拟通讯基站和智能网联车wafi设备的通讯范围为主。在孪生平台中,当智能网联车在基站通讯范围之内时,则与周围的智能网联车或者设施进行信息交互;当超出基站通讯范围时,关闭网联交互。雷达传感器的工作原理为:首先向被测目标发射一束激光,然后测量反射或散射信号到达发射机的时间、信号强弱程度和频率变化等参数,从而确定被测目标的距离、运动速度以及方位。本发明使用Unity中的投掷线(Raycast line)来模拟的雷达的探测行为。投掷线的原理为按照一定的频率向指定的方向发生一定长度的虚拟射线(Ray),当有虚拟物体碰触虚拟射线时,虚拟射线将会返回,并告诉发射对象发射距离。此外,通过设置投射线的密度、方向、频率和范围可以进一步模拟雷达的具体性能。
本发明可覆盖SUMO交通仿真软件的所有功能,可产出测试场景的中交通流效率和安全层面的数据,测试平台得到的路网流量与密度关系和冲突持续时间分布,如图4和图5所示。
下面对本发明实施例公开的一种基于数字孪生的智能网联车测试平台搭建***进行介绍,下文描述的一种基于数字孪生的智能网联车测试平台搭建***与上文描述的一种基于数字孪生的智能网联车测试平台搭建方法可相互对应参照。
本发明还提供一种基于数字孪生的智能网联车测试平台搭建***,包括:
Python环境搭建模块,其用于搭建Python环境;
工具集成模块,其用于部署交通仿真软件SUMO、引擎Unity和驾驶模拟器于所述Python环境中,并建立所述交通仿真软件SUMO、引擎Unity和驾驶模拟器之间的通信;
SUMO-Python平台搭建模块,其用于开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像,其中,具体的细节镜像通过所述引擎Unity开发实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态。
在本发明的一个实施例中,还包括python包搭建模块,其用于提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中。
本实施例的基于数字孪生的智能网联车测试平台搭建***用于实现前述的基于数字孪生的智能网联车测试平台搭建方法,因此该***的具体实施方式可见前文中的基于数字孪生的智能网联车测试平台搭建方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的基于数字孪生的智能网联车测试平台搭建***用于实现前述的基于数字孪生的智能网联车测试平台搭建方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本发明还提供一种基于数字孪生的智能网联车测试平台,该智能网联车测试平台使用如上述所述的基于数字孪生的智能网联车测试平台搭建方法搭建而成。因此该测试平台的具体实施方式可见前文中的基于数字孪生的智能网联车测试平台搭建方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种基于数字孪生的智能网联车测试平台搭建方法,其特征在于,包括:
搭建Python环境,部署交通仿真软件SUMO和引擎Unity于所述Python环境中,并建立所述交通仿真软件SUMO和引擎Unity之间的通信;
开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像;
其中,具体的细节镜像通过所述引擎Unity实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态;
还提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中;
利用交通检测点的数据估计路网实时交通流的方法包括:
对实际路网进行特征提取与抽象处理,根据实际路网中节点和链接的关系构建数学网络,所述数学网络包括节点与节点之间的路网拓扑结构关系建立和交叉口网络化表示;
获取检测点的交通数据,将所述交通数据和数学网络输入至路径流估计模型中进行求解,得到路径流量;
所述路径流估计模型为:
其中,i∈I*表示道路索引,I表示路段集合,t表示时间间隔,p∈P(t)表示路径索引,P(t)表示路径集合,A(t)表示0-1路径-路段关联矩阵,Ap,i(t)表示t时间间隔内路段i在路径p上,xp(t)表示t时间间隔内路径p上的流量,flowi(t)表示检测点路段i在t时间间隔内获取到的流量,erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
2.如权利要求1所述的基于数字孪生的智能网联车测试平台搭建方法,其特征在于:还提供一驾驶模拟器,将所述驾驶模拟器部署于所述Python环境中。
3.如权利要求1所述的基于数字孪生的智能网联车测试平台搭建方法,其特征在于:构建数字孪生实体镜像的方法包括:
数字孪生实体镜像通过SUMO-Python平台和引擎Unity实现,SUMO-Python平台提供粗糙的宏观实体数字镜像,引擎Unity在细节端提供高精度的实体数字镜像。
4.如权利要求1所述的基于数字孪生的智能网联车测试平台搭建方法,其特征在于:所述引擎Unity允许在虚拟孪生车辆中增加多个孪生摄像头,以及支持和模拟AI智能学习算法训练。
5.一种基于数字孪生的智能网联车测试平台搭建***,其特征在于,包括:
Python环境搭建模块,其用于搭建Python环境;
工具集成模块,其用于部署交通仿真软件SUMO和引擎Unity于所述Python环境中,并建立所述交通仿真软件SUMO和引擎Unity之间的通信;
SUMO-Python平台搭建模块,其用于开发一SUMO-Python平台,将所述SUMO-Python平台搭建于所述交通仿真软件SUMO上,利用SUMO-Python平台构建数字孪生实体镜像和路网交通需求镜像,其中,具体的细节镜像通过所述引擎Unity实现,且所述引擎Unity用于描述智能网联车的属性,模拟车辆的真实交通场景,以及监听车辆的行驶状态;
还包括python包搭建模块,所述python包搭建模块用于提供一python包,将所述python包搭建于所述交通仿真软件SUMO上,所述python包用于利用交通检测点的数据估计路网实时交通流、并将估计的路网实时交通流以车辆输入的形式配置在交通仿真软件SUMO中;
利用交通检测点的数据估计路网实时交通流的方法包括:
对实际路网进行特征提取与抽象处理,根据实际路网中节点和链接的关系构建数学网络,所述数学网络包括节点与节点之间的路网拓扑结构关系建立和交叉口网络化表示;
获取检测点的交通数据,将所述交通数据和数学网络输入至路径流估计模型中进行求解,得到路径流量;
所述路径流估计模型为:
其中,i∈I*表示道路索引,I表示路段集合,t表示时间间隔,p∈P(t)表示路径索引,P(t)表示路径集合,A(t)表示0-1路径-路段关联矩阵,Ap,i(t)表示t时间间隔内路段i在路径p上,xp(t)表示t时间间隔内路径p上的流量,flowi(t)表示检测点路段i在t时间间隔内获取到的流量,erri(t)表示检测点路段i估算出来的流量和实际流量之间的差。
6.如权利要求5所述的基于数字孪生的智能网联车测试平台搭建***,其特征在于:
还包括驾驶模拟器安装模块,所述驾驶模拟器安装模块用于提供一驾驶模拟器,将所述驾驶模拟器部署于所述Python环境中。
7.一种基于数字孪生的智能网联车测试平台,其特征在于:该智能网联车测试平台使用如权利要求1-4任一项所述的基于数字孪生的智能网联车测试平台搭建方法搭建而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084231.6A CN115499467B (zh) | 2022-09-06 | 2022-09-06 | 基于数字孪生的智能网联车测试平台及其搭建方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084231.6A CN115499467B (zh) | 2022-09-06 | 2022-09-06 | 基于数字孪生的智能网联车测试平台及其搭建方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115499467A CN115499467A (zh) | 2022-12-20 |
CN115499467B true CN115499467B (zh) | 2023-07-18 |
Family
ID=84468434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211084231.6A Active CN115499467B (zh) | 2022-09-06 | 2022-09-06 | 基于数字孪生的智能网联车测试平台及其搭建方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115499467B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595813A (zh) * | 2023-07-18 | 2023-08-15 | 中交一公局第五工程有限公司 | 智能网联汽车测试的数字孪生构建方法与装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111988381A (zh) * | 2020-08-07 | 2020-11-24 | 南通大学 | 一种基于HashGraph的车联网分布式信任***及信任值计算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118763B (zh) * | 2018-08-28 | 2021-05-18 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
CA3158765A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN112526893B (zh) * | 2020-10-30 | 2024-04-02 | 长安大学 | 一种智能汽车的测试*** |
CN112700639B (zh) * | 2020-12-07 | 2022-03-08 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
CN114373337B (zh) * | 2022-01-17 | 2022-11-22 | 北京航空航天大学 | 一种航迹不确定性条件下的飞行冲突自主解脱方法 |
CN114639243B (zh) * | 2022-03-31 | 2022-09-27 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法及可读存储介质 |
-
2022
- 2022-09-06 CN CN202211084231.6A patent/CN115499467B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111988381A (zh) * | 2020-08-07 | 2020-11-24 | 南通大学 | 一种基于HashGraph的车联网分布式信任***及信任值计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115499467A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859618B (zh) | 多端在环的虚实结合交通综合场景仿真测试***及方法 | |
CN109781431B (zh) | 基于混合现实的自动驾驶测试方法及*** | |
Chen et al. | A novel integrated simulation and testing platform for self-driving cars with hardware in the loop | |
WO2023207016A1 (zh) | 一种基于数字孪生云控平台的自动驾驶测试***和方法 | |
CN109765803A (zh) | 一种自动驾驶汽车多icu共时空的硬件仿真测试***及方法 | |
CN111897305A (zh) | 一种基于自动驾驶的数据处理方法、装置、设备及介质 | |
KR101815511B1 (ko) | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 | |
CN108646586A (zh) | 一种智能网联汽车在环仿真、测试验证***与方法 | |
CN112115600A (zh) | 一种自动驾驶车辆的仿真*** | |
CN110162003B (zh) | 一种行车主动服务***测试验证平台及其测试方法 | |
Azfar et al. | Efficient procedure of building university campus models for digital twin simulation | |
CN115499467B (zh) | 基于数字孪生的智能网联车测试平台及其搭建方法与*** | |
Lèbre et al. | On the importance of real data for microscopic urban vehicular mobility trace | |
CN115481531B (zh) | 基于sumo的路网交通流实时孪生方法及*** | |
Li et al. | Pre-deployment testing of low speed, Urban Road Autonomous Driving in a Simulated Environment | |
Zhang et al. | Trajgen: Generating realistic and diverse trajectories with reactive and feasible agent behaviors for autonomous driving | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
Shi et al. | An integrated traffic and vehicle co-simulation testing framework for connected and autonomous vehicles | |
CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测***及方法 | |
Guériau et al. | Vips: A simulator for platoon system evaluation | |
Guvenc et al. | Simulation Environment for Safety Assessment of CEAV Deployment in Linden | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation in mixed traffic: A co-simulation platform | |
Artunedo et al. | Advanced co-simulation framework for cooperative maneuvers among vehicles | |
Zhou et al. | A survey on autonomous driving system simulators | |
Monga et al. | Sumo (simulation of urban mobility) and osm (open street map) implementation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |