基于场景元素的智能网联汽车场景构建研究

在智能网联汽车测试评价中,场景库搭建与道路测试一直都是其难点。文中对智能网联汽车功能的典型测试场景搭建及测试方法进行分析与研究,首先分析智能网联汽车驾驶场景的来源,从典型驾驶场景中归纳出基本场景元素库,以场景元素库为基础实现测试场景库搭建;然后在PreScan中进行场景虚拟重构,进行自动驾驶功能模拟仿真;最后基于真实道路场景搭建对车辆自动驾驶功能进行实车测试。     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。     

智能网联场景下纯电动客车车速规划算法研究

文章针对智能网联场景,在考虑交通信号灯SPAT信息的基础上,采用MPC模型预测控制算法对队列行驶的纯电动客车进行实时车速规划,实现了车辆交通路口前不停车跟驰行驶,同时保证了车队中各个车辆的行驶安全性、能耗经济性、驾驶平顺性及乘坐舒适性。     

基于道路试验的跟车场景挖掘系统设计

为满足智能网联汽车开发和测试过程中对驾驶场景的需求,设计了一种跟车场景挖掘系统,该系统由车辆空间位置模块、跟车目标选择模块、跟车约束模块、信号及时间片断处理模块组成,车辆空间位置模块和跟车目标选择模块对跟车目标和跟车场景开始时间进行标定,跟车约束模块对跟车场景结束时间进行标定,最终通过信号及时间片断处理模块完成跟车场景信号的挖掘。离线场景挖掘和道路试验结果表明,该系统具有较高的准确性。     

自动驾驶仿真的虚拟交通信号系统分析及实现

自动驾驶必须使用仿真测试方法以便加快其落地,已成为业界共识。通过探究中国交通灯的特性,为自动驾驶仿真提供中国特色交通信号灯子系统。通过3DsMax构建交通灯三维模型,Infraworks绘制道路以及路口三维模型,最终基于UE4蓝图编程实现中国交通信号灯的变换机制,以及对背景车辆的约束。     

融合地图信息的交通灯路口自动驾驶启停策略

为满足无人驾驶技术中路口启停的需求,本文提出了融合地图信息的交通灯路口车辆启停策略.首先,本文对深度学习模型YOLOv3进行了压缩、裁剪和优化,用于快速识别交通灯颜色状态和箭头信息.其次获取地图给出的当前路口信息,包含前方路口是否可以调头、左转、直行、右转以及交通信号灯的数量和每个信号灯对应的功能.然后将交通灯检测结果...     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

考虑燃油消耗和排放的交叉口汽车路径规划与控制模型

针对现有道路交叉口环保驾驶研究中未充分结合交通状态、未充分考虑道路交叉口冲突区域等问题,基于车联网(V2X)技术,研究提出了一种道路交叉口环保驾驶汽车路径优化控制模型。该模型提前采集前方道路交叉口交通信号灯控制时间信息,并在交叉口前设置控制区域,整个控制过程分为两个阶段:首先,以最低燃油消耗和排放最低为目标,对进入控制区域的车辆进行速度规划,确保以最为环保的方式通过信号灯;其次,以最大程度避开交叉口冲突点为目标,对进入交叉口的车辆进行通行速度规划,使车辆最大程度回避分流冲突点、交叉冲突点、合流冲突点。通过两个阶段的路径规划与控制,实现车辆整体上以最环保的方式通过交叉口的目的。为了验证模型的有效性,搭建了Python和Vissim集成的仿真平台进行仿真,设置了不同的交通流状态场景,并和Webster信号配时下,不受其他控制器控制的车辆进行了燃油消耗和排放对比。试验结果显示,相比于Webster信号配时下,不受其他控制器控制的车辆,受路径规划控制模型控制车辆的燃油消耗降低了42.7%,CO排放量减少了4.26%,表明研究构建的路径规划控制模型是一种有效的道路交叉口环保驾驶路径优化控制策略,可以为车联网条件下车辆环保驾驶提供依据。     

基于Prescan的自然驾驶场景构建与研究

文章主要描述基于Prescan软件对实车的自然驾驶场景片段转换成虚拟场景,用于ADAS或自动驾驶模拟测试。通过配备毫米波雷达、相机、Mobileye摄像头等传感器采集道路驾驶数据,提取场景片段,转化成虚拟软件中相应的实车场景,用于HIL或MIL测试,可实现重复性测试,降低测试成本,模拟恶劣天气等状况,复现实车测试状态等测试优点。     

基于动态博弈算法的切入场景下自动驾驶车辆运动规划研究

鉴于在车辆换道切入的场景中，自动驾驶车辆容易出现频繁的误减速、误避让，而造成通行能力和乘员舒适性的下降，提出一种基于主旁车动态博弈的切入场景决策规划算法。在行为决策层，根据切入场景中主旁车的冲突性关系，联立相关车辆运动方程建立整体系统的运动模型，构建考虑旁车状态的切入博弈模型，设计安全性和舒适性收益函数，进行驾驶行为博弈，输出行为决策结果。在轨迹规划层，根据车辆间距构建避障约束条件，以Sigmoid函数轨迹的变曲率和速度切向矢量的时间分量来构建车辆动力学约束。同时以加权收益方式联合考虑驾驶习惯和舒适性等需求，建立轨迹规划数学模型，求解得到满足上层博弈决策要求的运动轨迹。Carsim-Simulink联合仿真结果表明，在不同的初始条件下主车与切入的旁车能进行多种形式的合理的交互决策，准确完成切入场景下的运动规划任务，车辆能准确跟踪输出的轨迹，更符合一般驾驶习惯，提高了车辆的舒适性。     

自动驾驶汽车基础测试场景构建研究（双语出版）

针对L2/L3级自动驾驶汽车的仿真测试和封闭场地测试认证需求，结合现有L2/L3级自动驾驶汽车量产车型的主要功能特点，提出自动驾驶汽车基础测试场景群的构建方法。首先针对指定的道路交通环境，分析主车和周围交通参与者可能的相对位置和运动方向的组合，确定复杂场景群。其次分别以主车功能所确定的各个可能运动方向，依此与各干扰车辆的可能运动方向（包括任一干扰车辆不存在的情形）进行组合，组合时采用PICT组合测试工具，并添加必要的运动约束条件，选择参数组合覆盖标准自动生成全部的组合场景群。最后结合场景筛选规则，筛选出具有测试价值的覆盖各个层级及功能的基础测试场景群。采用场景构建方法，对于主车处于三车道中间车道的路段场景和无红绿灯的十字路口场景，分别构建62种和33种基础测试场景。根据驾驶人行为特性、交通规则、汽车在城市、郊区和高速公路工况下的典型车速、加减速度、横向加速度、交通事故和自然驾驶数据库的有关场景数据等，设计主车换道工况的测试用例。采用模型预测控制框架建立主车局部路径规划和控制仿真模型，并对主车危险换道场景进行仿真。研究结果表明：主车在邻车道前车大减速的情况下实现了减速换道并避免了与本车道前车和邻车道前后车的碰撞，同时跟踪到期望跟车间距，验证了该换道测试用例的有效性。     

基于二次规划的智能车辆动态换道轨迹规划研究

为实现智能车辆的自主换道操作并满足安全性、舒适性和实时性等约束条件,提出一种针对动态交通环境的换道轨迹规划模型。该模型由道路平面曲线表征模块、路径生成模块以及速度曲线生成模块组成。首先,在道路平面曲线表征模块中,模型基于实时获取的周边道路信息,利用切比雪夫多项式插值法回归拟合出连续可导的道路平面曲线函数,用以保证模型在各种道路平面线形上的普适性。然后,在路径生成模块中,根据换道车辆初始时刻的运动状态,建立一系列多项式方程,并利用牛顿迭代法求解方程未知参数,以此生成连接初始位置和目标位置的换道路径,用以保证换道轨迹的平滑性。最后,在速度曲线生成模块中,以满足防碰撞约束、跟驰加速度约束以及车辆运动状态约束为目标,构建二次规划模型,生成沿着换道路径的车辆速度曲线,用以保证换道轨迹的安全性和舒适性。此外,考虑到周边动态的交通环境,车辆系统在每个时间步内会循环调用提出的模型实时更新换道轨迹,直至车辆到达目标位置。仿真试验结果表明：应用提出的换道轨迹规划模型,车辆能够有效避免与周边动态车辆发生碰撞,成功完成换道;基于二次规划框架,模型优化求解时间明显缩短,满足轨迹规划的实时性和有效性要求。     

Towards lane-level traffic monitoring in urban environment using precise probe vehicle data derived from three-dimensional map aided differential GNSS

Today's urban road transport systems experience increasing congestion that threatens the environment and transport efficiency. Global Navigation Satellite System (GNSS)-based vehicle probe technology has been proposed as an effective means for monitoring the traffic situation and can be used for future city development. More specifically, lane-level traffic analysis is expected to provide an effective solution for traffic control. However, GNSS positioning technologies suffer from multipath and Non-Line-Of-Sight (NLOS) propagations in urban environments. The multipath and NLOS propagations severely degrade the accuracy of probe vehicle data. Recently, a three-dimensional (3D) city map became available on the market. We propose to use the 3D building map and differential correction information to simulate the reflecting path of satellite signal transmission and improve the results of the commercial GNSS single-frequency receiver, technically named 3D map-aided Differential GNSS (3D-DGNSS). In this paper, the innovative 3D-DGNSS is employed for the acquisition of precise probe vehicle data. In addition, this paper also utilizes accelerometer-based lane change detection to improve the positioning accuracy of probe vehicle data. By benefitting from the proposed method, the lane-level position, vehicle speed, and stop state of vehicles were estimated. Finally, a series of experiments and evaluations were conducted on probe data collected in one of the most challenging urban cities, Tokyo. The experimental results show that the proposed method has a correct lane localization rate of 87% and achieves sub-meter accuracy with respect to the position and speed error means. The accurate positioning data provided by the 3D-DGNSS result in a correct detection rate of the stop state of vehicles of 92%.     

面向微观交通仿真的路网建模模块实现方法

路网描述模型是微观交通流仿真的基础,其建模过程较为烦琐。为了简化路网建模工作,设计了1个路网建模模块,为用户提供路网绘制、道路属性编辑及保存工具。该模块能自动提取绘图区及编辑区的关键信息,并通过转化算法快速建立路网数据库,为道路交通场景的三维可视化及微观交通仿真模型道路动态链表构建提供数据支持。实际效果表明,该路网建模模块能够快速生成路网相关数据,以动态链接库形式创建并嵌入到微观交通流仿真软件中,移植性较好。     

可编程车辆模型的获得方法探讨

在道路交通事故的再现分析当中,三维动画再现属于最终的环节。车辆的三维模型可以从三维造型软件获得,但是不能编程控制。就如何从三维造型软件构造的车辆三维模型得到可用程序控制的车辆模型进行了探讨,提出使用VisualC 和OpenGL技术实现车辆模型的动画控制方法。     

基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为，但随意地在路边或者禁停区域上下客，不但容易干扰道路交通秩序，还可能造成人员伤亡的恶性交通安全事故，需要及时检出以便疏导管理。受益于智慧灯杆的开发和部署，全路段的上下客行为检测成为可能。设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB（Human-Vehicle Interaction Behavior）及上下客行为识别方法，实现路边停车和上下客行为的检测。人车交互行为模型HVIB由车辆运动状态检测模块和人车关系检测模块组成。在车辆运动状态检测模块中，利用YOLOv4（You Only Look Once，Version 4）目标检测模型和SORT（Simple Online and Realtime Tracking）跟踪算法输出高置信度目标信息，并抽取车辆时空位置特征表达。在人车关系检测模块中，结合人与车辆的空间位置变化和相对运动方向，形成人车关系的时空特征表达。通过计算视频中人车时空位置特征，基于车辆运动状态判别函数和人车关系判别函数输出车辆运动状态和人车关系类别，并依据不同人车交互行为的定义，可以实现上下客行为识别。使用真实城市交通场景视频数据，对多种天气条件（晴天、阴天、雨天）下的不同人车行为进行了识别试验。试验结果表明：所提出的方法可以全天候工作，其中在白天多种天气条件下，停车和上下客行为的检测准确率能达到90%和87%以上，夜晚正常天气条件下分别为82.5%和77.5%；同时，检测速度在每秒30帧以上，满足实际应用的实时性要求。     

基于机器视觉对交通场景中车辆速度识别研究

通过对YOLOv5机器视觉框架进行二次开发，同时融合DeepSORT追踪算法，实现对桥梁交通车辆时空信息的提取和车辆轨迹的追踪。改进了传统的虚拟线圈法，实现了对车辆速度的测量，避免对传统方法中因检测线圈的像素变化进行阈值的设定，提高了算法的普适性。最后，将算法应用到实际的场景中与测速仪结果进行对比，其中平均误差在1%以内，误差最大值控制在为15%以内。     

基于EDR数据的无轮胎印迹交通事故重建方法研究

交通事故重建是交通事故分析、交通事故司法鉴定、交通事故深度调查的重要手段。传统的交通事故重建方法对现场轮胎印迹及车体痕迹依赖程度较高,随着汽车主动安全技术的发展,交通事故中的轮胎印迹越来越少,交通事故重建的技术难度逐渐增大。与此同时汽车ECU数据处理能力不断提高,以EDR为代表的数据记录装置为交通事故重建提供了新途径。     

基于典型非机动车事故的自动驾驶汽车测试场景构建方法研究

基于交通事故卷宗、交通事故视频信息数据,研究机非混行交通环境下典型交通事故形态,构建了面向机非混行交通环境下的自动驾驶汽车测试场景,旨在针对我国较为特殊的机非混行环境下的自动驾驶汽车的测试场景及测试评价方法提供参考。本文首先分析了自动驾驶测试场景的构建需求,建立交通事故数据筛选标准,得到133例可用于构建自动驾驶汽车测试场景的机动车与非机动车交通事故数据集;其次基于《中华人民共和国道路交通安全法》行驶要求,对133例交通事故的发生地点、车辆行为、道路类型、环境光线等方面进行解构分析;最后通过聚类分析,建立了5类典型的自动驾驶测试场景模型,并分析了不同场景模型的关键要素,为实际道路测试提供理论指导。