自动驾驶汽车仿真器综述:能力、挑战和发展方向

仿真器在自动驾驶汽车(Autonomous Vehicle,AV)系统的研究、开发和验证中发挥着举足轻重的作用。本文系统地探讨了AV仿真器的国内外现状,并重点分析了其能力、面临的挑战和未来发展趋势。首先,梳理了AV仿真器的发展历程,阐述了国内外相关研究现状。接着,依据技术性指标、功能性指标、性能指标和商业性指标,对各类仿真器进行了全面评估,同时讨论了它们在不同研究和开发任务中的适用性。此外,深入剖析了AV仿真器所面临的挑战和限制,结合深度学习、人工智能等先进技术的发展,提出了针对性的解决策略。对于如何克服AV仿真器在复杂环境和多元场景下的局限性,提出了一系列具有前瞻性的解决方案。在此基础上,着重强调了未来研究的机遇和新兴趋势,这些将为下一代仿真器的发展奠定基础。最后,本综述旨在为研究人员、开发者及行业利益相关者提供有益的参考,协助他们选择最符合需求的工具,并激发自动驾驶领域未来的创新潜力。综述的内容有助于推动AV仿真器在自动驾驶研究和实际应用中发挥更大的作用,从而为人类出行带来更为安全、便捷和高效的体验。

自动驾驶汽车行驶风险评估方法综述

行驶风险评估对自动驾驶系统的安全运行至关重要。将现有行驶风险评估方法分为3类,包括面向单一目标物的、基于可达集的和基于势场论的评估方法。提出5个评价维度,包括计算实时性、结果时效性、应用可行性、内容充分性和场景泛用性,对评估方法进行了全面比较,揭示其特点和适用情况。对自动驾驶行驶风险评估面临的问题以及未来发展趋势进行了分析和展望。

融合反步法的无人驾驶汽车轨迹跟踪控制方法

为了解决无人驾驶汽车轨迹跟踪控制的准确性、稳定性和快速性问题,将反步法分别融合滑模变结构控制和模糊自适应控制.建立车辆三自由度运动学位姿误差微分方程,推导了基于反步法的车速和横摆角速度控制律,结合Lyapunov稳定性判据验证了系统稳定性.分别建立融合反步法的滑模变结构和模糊自适应轨迹跟踪控制方法,结合轨迹跟踪稳态误差、超调量和调整时间,验证、比较了控制方法准确性、稳定性和快速性3种性能的优劣.结果表明:融合反步法的滑模变结构轨迹跟踪控制的稳定性最好,轨迹跟踪超调量接近于0;融合反步法的模糊自适应轨迹跟踪控制快速性最好,轨迹跟踪调整时间相对于反步法缩短了18.2%.

基于TsGAN的自动驾驶汽车高速公路变道切入测试场景自动生成算法

前方相邻车道车辆变道切入自动驾驶车辆所在车道是典型的高速公路自动驾驶高风险场景,在实际高速公路上进行该类场景的复现测试存在非常高的安全风险,虚拟仿真测试是解决该问题的最佳途径之一。为自动生成批量化的高保真高速公路变道切入测试场景,该文提出了一种基于时间序列生成对抗网络(TsGAN)的自动驾驶汽车高速公路变道切入测试场景自动生成算法。该算法以变道切入时刻两车的车头时距和侧向时距为场景危险程度评价指标,从高速公路真实轨迹数据集highD中提取4类不同危险程度的2853个变道切入场景实例,基于TsGAN构建变道切入测试场景生成模型,并利用所提取的真实轨迹数据训练模型;其后,采用所构建的模型生成前车变道轨迹和测试车变道切入时刻前的运行轨迹,通过比较所生成的变道轨迹与真实轨迹之间的分布相似性、频谱误差,验证所生成的轨迹的真实性。该文还分析了所生成的场景中变道切入时刻两车的运动关系及轨迹参数分布,检验了自动生成的场景在自然场景中的覆盖度。结果显示:从轨迹关键参数的分布来看,TsGAN模型生成的变道轨迹与真实轨迹的平均相似度达79.7%,平均频谱误差小于8%,落在最相似真实轨迹缓冲区的轨迹超过83.2%,表明所生成的轨迹具有高真实性;与所采集的真实场景相比,所生成的场景实例覆盖范围更大,在参数区间内分布更均匀,变道切入时刻前方变道车辆与测试车的车头时距和侧向时距分别降低了17.83%和16.37%(平均值),车辆轨迹参数分布区间平均增长了19.44%,表明所生成的场景在自然场景中具有较高的覆盖度;所提出的基于TsGAN的场景生成模型可模拟4种不同危险程度的变道切入测试场景,具有较强的针对性。

自动驾驶汽车避撞极限研究

精确计算不同避撞控制策略的极限避撞距离是自动驾驶汽车避撞决策与控制的基础。为厘清差动制动控制对避撞距离的影响,探究转向和差动制动集成控制的极限避撞能力,提高极限避撞距离的计算精度,本研究基于非线性车辆集成动力学和最优控制理论提出一种自动驾驶汽车极限避撞距离计算方法。首先,建立了非线性7自由度车辆动力学模型和复合滑移工况的Pacejka轮胎模型。进一步地,基于上述模型构建了极限避撞距离求解问题,并将其转化为最优控制问题。然后,设计了高斯伪谱法将最优控制问题转化为非线性规划问题并求解。最后,分析了转向控制、制动控制、转向和制动集成控制、转向和差动制动集成控制的极限避撞距离,并与基于质点模型计算和CarSim测试的结果进行了对比。结果表明:转向和差动制动集成控制能够进一步减少自动驾驶汽车的避撞距离,显著提高其避撞能力;本研究所提方法能够显著提高极限避撞距离的计算精度和避撞决策结果的可靠性。

个体共情能力对不同道德行为取向自动驾驶汽车接受意愿的影响

研究通过两项实验考察了共情对不同道德取向自动驾驶汽车接受意愿的影响。结果发现:(1)低共情者在不涉及自身利益时不在意自动驾驶汽车的道德取向(功利主义/道义论),当涉及自身利益时,更倾向于购买自我保护的汽车。(2)当不涉及自身时,高共情者更倾向于购买功利主义自动驾驶汽车;但也可以接受牺牲自我的汽车,对两类自动驾驶汽车的购买意愿相当。

匝道合流交通场景下自动驾驶汽车安全性测试评价方法

针对高速匝道交通场景提出了一种基于自然驾驶数据的自动驾驶汽车安全性评价方法。通过分析合流区冲突特征,建立碰撞时间(Time to Collision,TTC)模型、后侵占时间(Post Encroachment Time,PET)模型、最小安全换道距离(Minimum Safe Spacing,MSS)交通冲突指标计算模型来确定安全性评价指标,利用模糊聚类自然驾驶指标数据确定指标阈值范围,搭建自动驾驶汽车仿真测试试验,应用层间相关性的重要性准则权重分配方法和灰色关联评分模型,计算得到不同控制算法下自动驾驶汽车安全性的综合评价得分。结果表明,被试车辆驾驶行为与理想驾驶行为在各安全性指标的关联度分布明显,计算总体关联度,得分可以直观说明不同自动驾驶系统的综合安全性能。

不同坐姿乘员在自动驾驶汽车碰撞中的损伤仿真实验

为研究不同坐姿乘员在自动驾驶汽车中的碰撞安全性,筛选了7种具有代表性的乘员姿态(包括头部、上肢和躯干的变化)进行正面碰撞的仿真实验,对其乘员运动学和所受载荷进行了对比分析,研究其姿态对乘员碰撞损伤的影响。结果表明:在正面碰撞仿真实验中,倚靠姿态乘员的综合损伤风险与其他姿态相比更高,较交谈姿态,倚靠姿态乘员胸部压缩量增大了45.5%,肋骨骨折严重,内脏器官应变提高了48.8%,左倾姿态乘员损伤风险则明显降低,其头部损伤风险减少了49.1%,胸部损伤降低了14.4%。基于此,提出乘员在碰撞前可通过调整自身姿态来规避部分损伤的策略,以提高乘员在自动驾驶汽车中的碰撞安全性。

不同感知群体对自动驾驶汽车购买和使用意向的研究

为探讨L4级自动驾驶汽车(AV)的出行体验对受访者购买和使用意向的影响,受访者被分为体验感知较高和较低群体,在体验前和体验后,利用多项Logit模型建立不同体验感知群体AV购买和使用意向模型。研究结果显示,购买和使用AV的想法不确定程度对体验前、后的选择均产生显著影响,对于体验感知较高群体,体验后该变量的影响程度有所下降,而对于体验感知较低群体则有所增加。AV的价格与购买和使用意向之间呈现较强的正相关关系,价格的升高会增加购买和使用想法的不确定性,从而导致受访者放弃购买AV,选择使用社会共享自动驾驶汽车(SAV)。对于体验感知较高群体来说,体验后对AV行驶过程的感知提升会促进其购买并自己使用AV,而通过提高对AV出行感受和出行安全的感知,将促进他们购买AV并有偿共享给他人使用。另外影响体验感知较低群体对AV购买和使用意向的显著因素数量则明显减少。

不确定性环境下的自动驾驶汽车行为决策方法

在真实驾驶环境中,由于感知数据的噪声和其他交通参与者难以预测的行为意图,自动驾驶汽车如何在高度交互的复杂驾驶环境中考虑不确定性因素的影响,做出合理的决策,是当前决策规划系统须解决的主要问题之一。本文提出了一种不确定性环境下的自动驾驶汽车行为决策方法,为消除不确定性的影响,将行为决策过程转化为部分可观察马尔可夫决策过程(POMDP)。同时为解决POMDP模型计算复杂度过高的问题,首次将复杂网络理论应用于自动驾驶汽车周围微观的驾驶环境,对自动驾驶汽车驾驶环境进行动态建模,实现了车辆节点间交互关系的有效刻画,并对重要车辆节点进行科学筛选,用于指导自车的行为决策,实现对关键车辆节点的精准识别和决策空间的剪枝。在仿真环境中验证了所提方法的有效性,实验结果表明,与现有最先进的行为决策方法相比,所提出的方法拥有更高的计算效率,且拥有更好的性能和灵活性。

收缩抑或拓展——无人驾驶汽车影响下的路权重构与街道演变

无人驾驶汽车技术正在快速发展,无人驾驶环境下路权的变化对街道形态的演变具有重要的影响。研究发现,关于面向未来的智慧街道空间设计及研究更多倾向于汽车路权会收缩,街道空间被归还给行人,建设充满活力的街道空间似乎成为一种普遍的共识和设计原则。基于已有研究提出,汽车路权收缩并不是一种全面的认知,收缩与拓展并存才是无人驾驶环境下街道路权的真实变化,未来街道空间的规划设计不仅要关注传统汽车路权的收缩,还要关注无人驾驶汽车路权的拓展,兼顾人行与车行需求,并构建街道空间演变的新模式。

考虑侧倾和输入饱和的自动驾驶汽车鲁棒多维切换路径跟踪控制

为解决自动驾驶路径跟踪控制中的侧倾稳定和执行器饱和等问题,提出了一种鲁棒多维切换H∞路径跟踪控制方法以平衡控制器设计难度与控制性能.首先,基于M3D切换系统框架和侧向载荷转移率,构建了工况随动的路径跟踪控制模型;其次,采用鲁棒不变集理论和辅助反馈矩阵方法处理输入饱和的非线性问题,设计了一种鲁棒M3D切换控制器;最后,在多项式二次Lyapunov函数和M3D切换系统理论框架下,给出了保证跟踪系统闭环渐近稳定的判据.在CarSim-Simulink联合仿真环境下,对所提方法的性能进行验证.结果表明,所提方法相比于现有的MPC控制方法,路径跟踪性能提升19.4%,侧倾稳定性能提升23.4%,能够保证车辆在高速大转向等极端工况下具备良好的路径跟踪性能和侧倾稳定.

辅助驾驶汽车信息安全检验关键技术研究及测试验证

随着辅助驾驶汽车技术的不断发展和普及,信息安全问题已经成了一个重要的研究方向。本文针对辅助驾驶汽车面临的信息安全隐患,研究提出信息安全检验关键技术,包括检验指标、检验方法和检验标准等,为辅助驾驶汽车安全性评估提供参考;提高辅助驾驶汽车安全性,推动行业的规范化发展,为辅助驾驶汽车的安全性和可靠性提供支持。

自动驾驶汽车犯罪的归责与归因

自动驾驶汽车犯罪的归责与归因,是维护社会秩序和助力驾驶自动化技术开发与运用的重要保障。对自动驾驶汽车犯罪进行刑事归责的理论依据,主要有风险分配理论、共享理论和道德理性论。自动驾驶汽车犯罪的刑事责任可分为工具责任、辅助驾驶责任和代理责任,其归责模式主要包括严格责任模式和过失责任模式。自动驾驶汽车犯罪的特殊主体包括制造商、用户、车主、智能网络及大数据信息提供者以及辅助驾驶人等,不同责任主体的注意义务的内容和来源有所不同,因而对其归责亦有所不同。

无人驾驶汽车纵向速度的磁敏传感器控制方法

在无人驾驶汽车行驶过程中,工况的切换导致纵向速度控制难度较大,为提高行驶的稳定性和安全性,提出了基于磁敏传感器的无人驾驶汽车纵向速度控制方法。对无人驾驶汽车纵向运动的参数计算,为磁敏传感器建立基础环境。利用永磁体为磁敏器件提供偏置磁场,计算点磁源磁场强,获得磁敏传感器空间坐标。在空间坐标内,将汽车转速跟踪控制问题转化为连续系统的传感器状态描述,算出加速度和变化速率约束范围,得到最优控制输入增量;为避免制动与驾驶方式频繁转换,将节气门开度和期望制动器主液压控制量作为执行器控制输入,完成汽车纵向速度控制。实验表明,所提方法能够很好地跟踪期望的纵向速度,可以根据探测信息实时地调节控制参数,纵向车速控制效果更加稳定,保证行驶安全。

基于LQR的智能驾驶汽车横纵向控制研究

为了提高智能驾驶汽车跟踪控制器的稳定性和跟踪精度,提出了一种基于线性二次型调节器(LQR)控制算法和驾驶员预瞄模型的横向跟踪控制策略,结合纵向比例-积分-微分(PID)控制算法实现横纵向控制。首先建立带有前馈的LQR控制器,采用梯度下降优化算法优化LQR控制器权重参数,并在此基础上引入驾驶员预瞄模型,设计了基于经验的预瞄距离自适应控制器;其次建立双PID纵向控制器进行速度控制。最后通过Carsim和Matlab/Simulink联合仿真以及实车测试验证,结果表明:仿真工况下最大横向偏差小于0.035 m,最大航向偏差小于0.09 rad,实车测试工况下也能够良好遵循规划轨迹的整体趋势,速度跟踪效果良好且前轮转角与横摆角速度变化平稳。因此,该控制器能够保证较高精度且平稳的轨迹跟踪,在高速状态下更为明显。

基于深度学习的无人驾驶汽车目标检测算法研究

环境感知是无人驾驶汽车的重要基础,目标检测是环境感知的重要一环,随着深度学习的发展,基于深度学习的目标检测算法的精度和速度也在不断提升,逐渐成为主流算法。总结梳理了基于深度学习的目标检测算法以及其最新研究进展,并将其分为基于图像、点云、融合和变形器(Transformer)四大类,分别介绍了其经典算法。最后总结了当前目标检测领域里存在的不足,对目标检测算法的发展进行了展望,为该领域的研究工作提供一些思路。

基于多智体的自动驾驶汽车停车空载收费策略

为了制订自动驾驶车辆(AV)停车需求管理方案,搭建多智能体停车模拟框架,提出2种空载行驶收费策略:基于行驶距离的静态收费和基于道路拥堵水平的动态收费,研究费率计算方法.建立空载行驶收费策略下停车场停车、居住地停车及持续空载巡航3种停车模式的成本函数,使用logit模型描述不同停车模式下的选择行为.利用Simulation of urban mobility(SUMO),以南宁市主城区为例开展大规模路网下的仿真实验,研究2种策略下的AV停车行为及路网运行状态变化.仿真结果表明,静态收费策略和动态收费策略下的AV空载行驶里程分别减少了20.16%和10.85%,车辆总延误分别降低了39.80%和43.52%;动态收费策略能够灵活地根据路况变化进行实时调整,路网运行效率提升更显著.

计及质心侧偏角动态自适应的无人驾驶汽车横坡弯道跟踪控制

针对无人驾驶汽车在横坡弯道处因发生偏离期望轨迹甚至严重侧滑而失去稳定性的问题,提出质心侧偏角动态自适应控制策略。为应对汽车垂直载荷发生变化而导致轮胎侧偏刚度改变的情况,通过多组数据拟合得到载荷匹配图,进而设计基于模型预测算法的横向轨迹跟踪控制器,根据汽车入弯速度选择预测时域并结合道路弯度选择瞬态、稳态质心侧偏角,通过在线优化生成最佳前轮转角。最后搭建CarSim/Simulink联合在线仿真系统和实车系统进行验证,结果表明:所提控制策略能够保证汽车在横坡倾角为7%左右及弯道路面下不会出现严重的侧滑,从而提高了无人驾驶汽车在横坡弯道跟踪任务中的跟踪精度,使汽车具有良好的横向稳定性。

自动驾驶汽车横向控制方法研究综述

为实现精确、稳定的横向控制,提高车辆自主行驶的安全性和保障乘坐舒适性,综述了近年来自动驾驶汽车横向控制方法的最新进展,包括经典控制方法和基于深度学习的方法,讨论了各类方法的性能特点及在应用中的优缺点,并针对自动驾驶汽车横向控制方法的发展趋势进行了展望。