System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能驾驶仿真,具体涉及一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质。
技术介绍
1、当前智能驾驶仿真场景主要分为经验场景、法规场景、自然驾驶场景和危险场景,其中自然驾驶场景因其具有多样性、真实性而对仿真测试更为重要,也是当前主流的场景来源。构建自然驾驶场景的方式,业界一般是将智能驾驶车辆在实际道路采集的交通环境数据,通过智能算法批量的将其提取、转换成仿真场景。这些仿真场景就可用于对开发阶段智能驾驶算法进行仿真测试,通过不断暴露算法逻辑问题,促进智能驾驶算法迭代更新,这种仿真模式也称为logsim模式。
2、自然驾驶场景虽然满足场景真实性的要求,但仿真时交通车与主车交互性差,同时还存在仿真失效的可能性。这是因为自然驾驶场景是对当时(采集时刻)真实道路交通环境的复现,在仿真测试过程中体现为交通车沿着固定的轨迹行驶,并不能感知其轨迹线上有主车,存在主动撞击主车的风险,即交通车与主车没有交互性,该风险若发生将导致本次仿真失效。
3、现有仿真技术方案是通过强行停止交通车运动来避免交通车主动撞击主车,而在真实道路遇到这种情况时,交通车会有提前减速、变道或放弃超车等多样的驾驶行为,而不是急停在原地不动。趋近真实的交通车驾驶行为才能影响到主车行为,从而充分验证被测算法的功能。
4、现有的技术方案过强行停止交通车运动的时机是固定的,不可根据测试用例来设置,会影响仿真场景的多样性。采集和制作场景是需要时间成本和人工成本的,如果切换时间可变,将泛化出多个场景,间接地降低了场景生成的成本。
技术实现思路
1、本专利技术实施例所要解决的技术问题在于,提供一种智能驾驶的仿真测试方法、装置、系统及计算机可读存储介质,以使仿真测试更高效、更可靠。
2、为解决上述技术问题,本专利技术提供一种智能驾驶的仿真测试方法,包括:
3、开启仿真模式后,实时获取仿真场景中自车和交通车的轨迹数据;
4、根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据;
5、根据收到的碰撞预测数据,判断碰撞事故责任归属,若交通车对碰撞事故承担责任,则发出接管所述交通车的命令;
6、根据所述接管所述交通车的命令接管所述交通车,并根据预设的驾驶员风格控制交通车的驾驶行为。
7、通过上述步骤可知,在适当时机控制仿真环境中的交通车,既兼顾了仿真场景与路采数据的一致性,又提高了交通车与自车的交互性、仿真场景的有效性,使得仿真测试更高效、更可靠。同时,在判定交通车对碰撞事故承担责任时接管交通车,实现接管时机的自定义配置,提高了仿真场景的多样性。
8、优选地,根据所述接管所述交通车的命令接管所述交通车,并根据预设的驾驶员风格控制交通车的驾驶行为具体包括:
9、通过一训练好的ai驾驶员模型,根据所述接管所述交通车的命令接管所述交通车;并根据预设的驾驶员风格,输出控制参数来控制交通车的驾驶行为,所述控制参数包括交通车油门开度、交通车制动压力和交通车方向盘转角。
10、优选地,所述ai驾驶员模型的训练过程包括:
11、分别将交通车的轨迹数据和自车的运动状态数据作为源数据输入至actor网络模型;将车辆驾驶特征作为源数据输入至critic网络模型;
12、actor网络模型通过对输入的源数据进行若干次全连接计算,输出车辆驾驶特征至critic网络模型;
13、critic网络模型根据作为源数据输入的车辆驾驶特征和actor网络模型输出的车辆驾驶特征,利用一次全连接计算,获得动作-状态价值函数值;
14、重复上述步骤并求解出最优的动作-状态价值函数值,并基于最优的动作-状态价值函数值将模型参数赋给actor网络模型,得到训练好的ai驾驶员模型。
15、优选地,所述驾驶员风格具体是驾驶激进度系数,所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
16、优选地,所述根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据,具体包括:
17、从交通车和自车的轨迹数据中加载一帧数据;
18、依次提取每个时间戳对应的交通车运行轨迹和自车规划轨迹上的坐标点,并以该坐标点为几何中心分别绘制两车的2d边界框;
19、判断两车的2d边界框是否有交叉:若有交叉,则进一步计算两车当前位置的坐标点直线连线上的碰撞时间ttc;若没有交叉,则本帧计算结束,直接加载下一帧数据;
20、计算出两车的碰撞时间ttc后,进一步判断ttc是否小于预设阈值,若是,则判定两车会发生碰撞事故,发送碰撞预测数据;若否,则终止本帧的碰撞预分析,加载下一帧数据。
21、优选地,所述根据收到的碰撞预测数据,判断碰撞事故责任归属,若交通车对碰撞事故承担责任,则发出接管所述交通车的命令,具体包括:
22、将收到的碰撞预测数据导入根据现行的道路交通事故判定规则预建立的数学模型进行分析判断,如果判定交通车对碰撞事故承担责任,则发出接管所述交通车的命令,其中,所述碰撞预测数据包括碰撞时刻两车位姿和运动状态参数。
23、本专利技术还提供一种智能驾驶的仿真测试装置,包括:
24、获取模块,用于在开启仿真模式后,实时获取仿真场景中自车和交通车的轨迹数据;
25、碰撞预分析模块,用于根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据;
26、责任判定模块,用于根据收到的碰撞预测数据,判断碰撞事故责任归属,若交通车对碰撞事故承担责任,则发出接管所述交通车的命令;
27、ai驾驶员模块,用于根据所述命令接管所述交通车,并根据预设的驾驶员风格控制交通车的驾驶行为。
28、本专利技术还提供一种智能驾驶的仿真测试装置,包括:
29、一个或多个处理器;
30、存储器;
31、一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序被配置用于执行所述的智能驾驶的仿真测试方法。
32、本专利技术还提供一种智能驾驶的仿真测试系统,包括:仿真平台和仿真测试装置,所述仿真平台用于利用所述仿真测试装置对接入的被测智能驾驶算法进行仿真测试;
33、所述仿真测试装置具体包括:
34、获取模块,用于在开启仿真模式后,实时获取仿真场景中自车和交通车的轨迹数据;
35、碰撞预分析模块,用于根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据;
36、本文档来自技高网...
【技术保护点】
1.一种智能驾驶的仿真测试方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据所述接管所述交通车的命令接管所述交通车,并根据预设的驾驶员风格控制交通车的驾驶行为具体包括:
3.根据权利要求2所述的方法,其特征在于,所述AI驾驶员模型的训练过程包括:
4.根据权利要求1所述的方法,其特征在于,所述驾驶员风格具体是驾驶激进度系数,所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
5.根据权利要求1所述的方法,其特征在于,所述根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据,具体包括:
6.根据权利要求1所述的方法,其特征在于,所述根据收到的碰撞预测数据,判断碰撞事故责任归属,若交通车对碰撞事故承担责任,则发出接管所述交通车的命令,具体包括:
7.一种智能驾驶的仿真测试装置,其特征在于,包括:
8.一种智能驾驶的仿真测试装置,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~6任一项所述的智能驾驶的仿真测试方法。
...【技术特征摘要】
1.一种智能驾驶的仿真测试方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据所述接管所述交通车的命令接管所述交通车,并根据预设的驾驶员风格控制交通车的驾驶行为具体包括:
3.根据权利要求2所述的方法,其特征在于,所述ai驾驶员模型的训练过程包括:
4.根据权利要求1所述的方法,其特征在于,所述驾驶员风格具体是驾驶激进度系数,所述驾驶激进度系数用于体现交通车的接管时机、跟车距离、切入时距、是否遵守交通规则、急加减速频率与程度。
5.根据权利要求1所述的方法,其特征在于,所述根据实时获取的自车和交通车的轨迹数据,判断在仿真场景中自车和交通车在未来某一时刻是否会发生碰撞事故,若是则发送碰撞预测数据,具体包括:<...
【专利技术属性】
技术研发人员:阳辉辉,
申请(专利权)人:广州汽车集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。