共查询到10条相似文献,搜索用时 15 毫秒
1.
基于虚拟现实的汽车驾驶仿真系统 总被引:1,自引:0,他引:1
介绍一种基于虚拟现实技术的汽车驾驶仿真系统,利用Visual C 和OpenGL实现了三维汽车仪表模型和汽车行驶的虚拟场景,并根据油压和制动踏板的控制实时改变虚拟汽车仪表上各参数的显示以及实现虚拟汽车在三维场景中的运动。 相似文献
2.
随着自动驾驶等级的提高,面向传统汽车的测试工具与测试方法已不能满足自动驾驶汽车测试的需要。基于场景的虚拟测试方法在测试效率、测试成本等方面具有巨大的技术优势,是未来自动驾驶汽车测试验证的重要手段,已成为当前的研究热点。通过对大量相关文献的系统梳理,综述了基于场景的自动驾驶汽车虚拟测试研究进展。对比分析了自动驾驶测试场景的不同定义方式,明确了测试场景的内涵,归纳了测试场景的要素种类,概述了测试场景的数据来源,总结了场景数据的处理方法。在此基础上,对自动驾驶汽车虚拟测试方法进行了总结,分析了典型的测试方式、测试平台和虚拟测试的技术要点,梳理了软件在环、硬件在环和车辆在环测试方案及其关键技术。针对自动驾驶汽车测试效率问题,研究了基于场景的加速测试技术,概述了典型的测试场景随机生成方法和危险场景强化生成方法。最后,对基于场景的自动驾驶汽车虚拟测试所面临的问题及未来发展趋势进行了分析和展望。研究结果表明:基于场景的虚拟测试是推动自动驾驶技术发展和产业落地的必由之路,未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术,建立自动驾驶汽车虚拟测试标准体系。 相似文献
3.
整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性,基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台,该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力,可动态模拟不同的路面附着系数,同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度;采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真,模拟多种道路交通场景,并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统,完成了多项关键技术研发,包括:多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法,可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外,为验证快速测试平台的有效性,以U-turn轨迹跟踪控制为研究实例,基于简化的车辆运动学模型和模型预测控制算法,在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明:自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况,自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好,与参考轨迹的偏差小于8%,证明了该测试平台检测方法的有效性。 相似文献
4.
5.
6.
开展自动驾驶测试场景研究能够大幅减少自动驾驶汽车的测试周期与开发成本,是未来评价和提升自动驾驶技术的重要基础。为此,联合基于本体论的场景解构方法,提出了一种基于多通道态势图的自动驾驶场景表征方法,并对多通道态势图的场景聚类与场景复杂度进行研究。首先,对目前的自动驾驶测试方法进行分析,论述道路测试的不足之处以及基于场景的自动驾驶虚拟测试的优点,并对当前的场景解构与表征方法进行了总结;然后,运用本体论解构场景中的信息,并建立场景的本体模型,对模型中的数据属性进行参数化;接着,对真实场景、场景中的语义信息和多通道态势图场景进行对比分析,定义表征场景的多通道态势图的数据格式,将解构出的场景信息重组到多通道态势图的不同层中;之后,以汉明距离为基础设计了多通道态势图的对象层相似度计算方法,采用K均值聚类算法对驾驶场景对象层进行聚类分析,并借助层次分析法对基于多通道态势图的驾驶场景复杂度计算进行研究;最后,以KITTI数据集的一些真实场景为例,绘制场景开始时刻的多通道态势图,分析聚类出的9种对象分布类型。研究结果验证了多通道态势图场景复杂度计算方法的有效性。 相似文献
7.
8.
针对汽车自适应巡航控制系统功能测试需求,基于曝光度及危险性分析设计ACC切车场景。基于自然驾驶数据,通过对切车工况数据特征进行分析,提取切车工况,并基于先验的智能驾驶模型、最优化方法和扫描线种子填充算法设计了关键切车场景。基于场景仿真软件完成了关键切车场景的构建及对ACC功能模块的仿真验证,并进行了危险切车场景仿真分析。结果表明基于考量场景曝光度及危险性的自然驾驶关键切车场景提取与设计方法,可有效设计开发汽车自适应巡航控制系统典型测试场景。 相似文献
9.
10.
针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题,选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入,并利用语义信息构建一种基于时空卷积的多模态多任务(Multimodal Multitask of Spatial-temporal Convolution,MM-STConv)端到端自动驾驶行为决策模型,得到速度和转向多任务预测参量。首先,通过不同复杂度的卷积神经网络提取场景空间位置特征,构建空间特征提取子网络,准确解析场景目标空间特征及语义信息;其次,通过长短期记忆网络(LSTM)编码-解码结构捕捉场景时间上、下文特征,构建时间特征提取子网络,理解并记忆场景时间序列信息;最后,采用硬参数共享方式构建多任务预测子网络,输出速度和转向角的预测值,实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据,以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集,历经10 000次训练周期、6 h训练时长后,利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明:MM-STConv模型的训练误差为0.130 5,预测精确度达到83.6%,在多种真实驾驶场景中预测效果较好;与现有其他主流模型相比,该模型综合场景空间信息与时间序列信息,在预测车辆速度和转向角方面具有明显的优势,可提升模型的预测精度、稳定性和泛化能力。 相似文献