面向智能驾驶测试的可变跟驰特性交通车建模方法

提出一种面向智能驾驶测试的可变跟驰特性交通车建模方法。首先,通过对自然驾驶数据聚类分析,建立高真实交互个性化的跟驰模型,并利用模型输出耦合赋予多元权值,构建可用于智能驾驶测试的可变跟驰特性交通车模型;然后,通过建立交通车轨迹评价方法验证模型输出轨迹的合理性、多样性及真实性;最后,搭建联合仿真平台进行了所构建交通车模型对自动紧急制动(autonomous emergency braking, AEB)算法的应用测试。结果表明,本文构建的交通车模型可以输出不同跟驰特性下合理、多样且真实的轨迹,当轨迹数量达到60 000条时与真实自然驾驶速度轨迹匹配的平均均方根误差为0.427 m/s,且在不同交通车轨迹特性下待测系统行为响应不尽相同,通过权值系数的变化可以揭示待测系统响应的演化规律,并可实现待测系统性能的针对性测试。

基于改进型Stackelberg博弈的自动驾驶测试数据定价模型

针对自动驾驶测试数据兼具连续与离散变量,且包含时间戳和经纬度等间接信息特征的特点,利用特征挖掘过滤、连续变量离散化、驾驶模式加权等方法对传统信息熵方法进行适应性调整,提出基于特征工程的驾驶模式加权信息熵方法,确定自动驾驶测试数据信息量;引入信息量构建数据消费者效用方程,提出考虑信息量和平台利润率约束的改进型Stackelberg博弈数据定价模型。以上海市自动驾驶实际测试数据开展典型案例分析,结果表明,基于改进型Stackelberg博弈的数据定价模型可有效评估数据信息量,合理分配数据生产者、数据平台和数据消费者交易三方的利润率,并显著提升数据交易量和数据交易三方总效用,从而增强自动驾驶测试数据交易市场的活力。

面向自动驾驶测试的危险变道场景泛化生成

针对自动驾驶虚拟测试中危险变道场景构建问题,提出一种数据−模型驱动的自动驾驶测试危险变道场景泛化生成方法.基于NGSIM US101数据集中的紧急变道数据,提出一种紧急变道轨迹对抗生成方法(BN-AM-SeqGAN),构建基于安全距离的两车变道状态约束模型,设计危险变道测试场景泛化生成方法,生成危险变道测试场景库.实验结果显示:生成的5万条紧急变道轨迹变道完成时间分布的均方根误差为0.63,生成的5万个危险变道场景中,99.54%的场景被测自动驾驶车辆与变道背景车辆的碰撞时间小于1 s,表明该方法能够有效生成自动驾驶测试危险变道场景.

面向高速公路车辆切入场景的自动驾驶测试用例生成方法

为在自动驾驶汽车基于场景的测试中生成涵盖相应场景中复杂多变的真实交通运行过程的测试用例,从highD数据集中提取车辆切入场景的多个实际样本,通过分析运动参数和参与车辆之间的位置关系,建立车辆切入场景的描述模型,根据切入点的碰撞时间评估该方案的风险程度,并结合描述模型中参数的分布,采用蒙特卡罗方法生成测试用例。结果表明,生成的车辆切入测试用例能够覆盖所有风险等级,可较好地支持自动驾驶测试。

基于图像与高精定位融合数据的封闭场地自动驾驶汽车驾驶测试方法

现有的自动驾驶汽车场景仿真测试结果真实性不足,基于实际测试数据的评价方法缺乏实时性。为结合真实数据对测试过程展开实时评价,提出了基于“原场景”库的自动驾驶测试场景生成方法,利用差分定位GPS以及视频图像处理等工具,配合测试场地的高精地图设计了自动驾驶汽车实时测试评价方法,在自动驾驶测试场对本方法进行了实地验证。结果表明本方法具有较高的可行性,能够全面实时地对车辆自动驾驶能力进行评价。

基于混合现实的数字孪生自动驾驶测试环境构建

随着现阶段数字孪生技术的不断发展,围绕着数字孪生的研究和应用逐渐成为了热点.由于传统的自动驾驶测试方法存在着不同程度的功能性、安全性以及测试成本方面的各种缺陷,本文针对数字孪生的基本特征以及自动驾驶的测试方法,提出了一种混合现实下数字孪生自动驾驶测试环境的构建方法,利用空间坐标映射、碰撞检测模型、虚拟场景注册,将实际环境下的自动驾驶信息映射到虚拟场景中,同时构建了对应的混合现实的自动驾驶测试模型,并通过实验展示了混合现实系统具有交互特征的碰撞测试,对比了50 ms、200 ms和1000 ms采样频率下系统的性能并进行了分析,实验表明,本文算法在采样频率200 ms或以上,有较好的运行帧率特征.

基于国家场车中心的自动驾驶测试基地改造研究与实践

鉴于在原有传统汽车试验场地的基础上局部性改造难度较大,在分析国内智能网联汽车自动驾驶封闭测试场地的相关标准规范指南的基础上,基于国家场车中心,设计了涵盖道路环境、基础设施、智能网联设备、测试实验室的全面升级改造成自动驾驶测试基地的方案并付诸实践,又结合相关产业与技术发展情况及周边环境提出了未来发展规划,助推厦门市智能网联汽车道路测试与示范应用,为我国后续新建、改建智能网联汽车检验检测基地起到示范引领作用。

基于组合测试的自动驾驶测试场景组合泛化生成

基于测试场景对自动驾驶技术的可靠性进行验证是当前自动驾驶安全测试领域的重要手段,研究可靠的场景高效生成方法是目前行业研究的热点。从真实道路交通事故数据出发,分析交叉路口下乘用车直行与二轮车冲突典型危险场景的风险元素,基于风险元素取值的重要度顺序和约束关系,通过组合测试方法实现场景的组合泛化生成,并与随机采样场景在场景危险性上进行对比分析。结果表明:组合泛化场景的场景事故率是随机采样场景的3.4倍,组合泛化场景的主车碰撞速度远大于随机采样场景,组合泛化场景具有更高的场景危险性,可以提高自动驾驶的仿真测试效率。

自动驾驶合规性虚拟测试场景构建方法研究进展

基于场景的测试推动了自动驾驶技术的开发与应用,如何构建合规性虚拟测试场景已成为自动驾驶技术领域的关键问题。首先针对不同主体对于合规性的需求进行了详细分析,基于场景交互性对测试场景构建方法进行分类,回顾了一系列虚拟测试场景构建方法,对各类场景构建方法从研究进展、应用情况和优缺点等方面进行归纳总结。此外,为解决不同主体差异化测试需求的场景构建方法适用问题,提出了覆盖度、边缘性、真实性三类测试场景构建方法评价指标,并用三类指标对各类场景方法的优势和局限性进行了综合评估。最后,基于评估结果详细分析了各类测试方法对差异化测试需求的适用性,并对当前存在的不足和未来研究趋势进行了总结和分析,以期为自动驾驶测试场景构建研究提供有益参考。

基于代理遗传优化的智能驾驶系统加速测试方法

提出了一种基于代理遗传优化的智能驾驶系统加速测试方法。首先,通过场景要素层次分析权值与优解区域特征改进参数采样模块中的拉丁超立方采样区间,实现了采样效率与优化效果的协同提升;其次,利用参数采样结果和重复度筛选机制增加遗传寻优模块的种群多样性,克服了传统遗传算法的局部收敛难题;然后,利用基于循环更新机制的代理筛选模块对场景测试结果进行预测,平衡了加速算法与代理模型应用之间的效率与精度矛盾;最后,搭建仿真平台在高维时序分解的前车变速场景下对待测智能驾驶系统进行加速测试与验证。结果表明,本文提出的方法可有效搜寻大量关键场景并提升测试效率。

自动驾驶虚拟测试场景构建方法评价及适用性分析

随着自动驾驶技术的研究不断深入,自动驾驶虚拟测试场景评价及适用性分析变得越来越关键。文章首先对测试主体进行分类,详细分析不同测试主体的安全性测试需求;其次,系统梳理了四类典型虚拟测试场景构建方法,对四种场景构建方法从现阶段发展及应用情况等方面进行总结;再次,提出覆盖度、边缘性、真实性三类评价指标对测试场景构建方法进行评价,并基于评价及研究结果进行各类方法对于不同测试主体的适用性分析;最后,总结了目前研究存在的不足,并提出未来的研究展望。文章成果将为自动驾驶测试场景评价及适用性提供参考。

智能网联汽车自动驾驶测试方案

自动驾驶技术是未来交通发展的重要方向,自动驾驶汽车测试技术是对自动驾驶的可靠性、安全性及驾驶环境等方面做出全面客观的评价。本文简要概述了智能网联汽车的发展现状,包括系统组成、技术分级及常用的测试方法,且针对智能驾驶辅助系统(L2级以下)从封闭场地测试和开放道路两个维度进行了介绍,对自动驾驶测试(L3级以上)则从仿真测试、封闭场地测试和开放道路测试进行了介绍。

基于数字孪生的智能驾驶汽车整车在环测试系统研究

数字孪生(Digital Twins,DT)是借助实时仿真技术将真实物体映射到虚拟世界的系统,应用数字孪生技术可实现虚拟道路场景下真实智能汽车的自动驾驶测试。设计了一套基于数字孪生的智能驾驶汽车整车在环测试系统,并将其应用于AEB系统的开发验证。在数字孪生技术框架下结合仿真测试工具、V2X通信设备、真实测试车辆等功能单元,形成虚拟环境与真实环境相互映射的整车在环测试系统。基于虚幻引擎(Unreal Engine)4构建真实驾驶环境的镜像仿真场景,利用V2X通信技术将实车状态数据实时传输到虚拟AirSim车辆控制器,同时向被测车辆反馈仿真场景环境感知数据。考虑测试系统信号延时的影响,通过多种工况的整车在环测试对AEB控制算法进行优化改进。通过实车试验验证了基于数字孪生的智能汽车测试方法的有效性与优越性,结果表明该测试方法既保留了实车测试的真实性,也可以有效避免实车测试的危险性。

基于目标优化的自动驾驶决策规划系统自动化测试方法

利用仿真技术的场景测试方法已成为国内外研究热点,其中如何在大量场景中找到有价值的关键场景至关重要。针对上述问题,基于优化搜索算法提出了一种面向决策规划系统的关键场景自动化测试方法,能够克服传统场景测试方法的盲目性,提高测试效率。基于决策规划系统硬件在环测试平台,验证了该方法的有效性,并对比了不同搜索算法的关键场景生成效果。实验结果表明,贝叶斯优化算法和遗传算法相比于随机搜索算法产生危险关键场景的数量提高了3.3倍和2.5倍,配合自动化测试手段,方法能够有效提高场景测试效率。

自动驾驶汽车测试场景基元自动提取方法

本文中提出了一种基于自然驾驶数据库的自动驾驶汽车测试场景基元自动提取方法。以隐马尔科夫模型为框架,采用向量自回归模型为观测概率分布函数,采用层次狄利克雷过程为模型进行先验分布和后验更新,通过解耦过程和黏性过程抑制模型隐状态的快速切换,实现给定观测数据下隐状态的求解,并根据隐状态对场景基元进行自动划分。最后,以一段随机自然驾驶序列为例进行了算法测试验证,结果表明,所提出的方法可从自然驾驶数据库中非参数地、可解释地、全自动地提取测试场景基元,所提取的场景基元具有明确的物理意义,可为基于场景的自动驾驶汽车测试奠定良好基础。

基于场景动力学和强化学习的自动驾驶边缘测试场景生成方法

为解决小概率高风险边缘测试场景的问题,本文提出一种基于场景动力学和强化学习的边缘场景生成方法,实现边缘场景的自动生成,能模拟真实世界中车辆间的对抗与博弈行为的特征。首先将随时间动态变化的场景模型由一组微分方程描述为场景动力学系统;然后利用神经网络作为通用函数逼近器来构造场景黑盒控制器,并基于强化学习实现边缘场景控制器的优化求解;最后以超车切入场景为例,在Matlab/Simulink软件进行仿真验证,结果表明,边缘场景强化生成模型在场景交互博弈、覆盖率和可重复测试等方面具有良好的性能。

自动驾驶自动紧急制动关键场景测试案例提取研究

为提取自动驾驶自动紧急制动(autonomous emergency braking system,AEB)关键场景测试案例,依据不同抽象程度依次重构符合自然驾驶规律的功能场景、逻辑场景、具体场景,进而对AEB系统展开测试并求解其关键场景。从自然驾驶数据集NGSIM筛选出车辆跟随实例构建出功能场景,基于场景要素构建功能场景,提取出该场景的关键字要素,采用高斯混合模型拟合自然驾驶数据,获得具有概率密度分布的逻辑场景,基于Gibbs抽样的蒙特卡洛方法生成具体测试实例,并通过重要性抽样方法生成关键场景。最后对生成到的关键场景聚类加速场景生成,并对其AEB系统在Prescan仿真软件进行测试。结果表明,AEB系统可对生成的关键场景实现避免碰撞。

基于实车在环的智能驾驶仿真测试系统开发

完善的测试评价工具链是自动驾驶技术走向产业化的必备条件。首先介绍了实车在环智能驾驶仿真测试系统的总体框架设计,并基于仿真测试系统整体框架完成了实车在环测试系统集成。并以某款具备自动泊车系统(Autonomous Parking System,APS)的乘用车作为被测对象进行测试,对被测车辆APS功能进行了充分测试及结果分析,验证了提出的实车在环的自动化测试评价体系的有效性。

自动驾驶汽车测试评价方法体系研究

随着汽车智能化、网联化技术的发展,自动驾驶汽车也即将进入市场,但是目前尚没有一套成熟的体系来对自动驾驶汽车进行测试评价。本文分别从安全性、高效性和舒适性三个方面对自动驾驶测试评价面临的挑战进行分析,并提出一个持续、灵活的自动驾驶汽车测试评价系统框架。

自动驾驶汽车测试用车载感知分析系统

针对自动驾驶汽车道路测试过程中缺少高效的环境智能感知与测试数据记录分析设备的问题,依据轻量化、高效化、均衡化原则,设计了一种自动驾驶汽车测试用车载感知分析系统。该系统具备了环境感知分析与数据记录两大功能,在自动驾驶道路测试安全性评估与违法违规行为监管方面发挥重要的作用。本系统感知分析模块采用纯视觉方案,主要用于本车位置与姿态估计、车道线检测、交通参与者检测,涉及了双目定位与地图构建同步(ORB_SLAM2_Stereo)、基于深度学习的三维车道线检测(Gen_LaneNet)及单目三维目标检测(RTM3D)等算法。系统数据记录模块引用ASAM OSI协议来确保数据的兼容性与复用性,同时采用谷歌Protocol Buffer数据交换格式进行数据存储与读取来减轻硬件资源开销,提高系统实时性。实际检测业务的应用效果表明,本文提出的系统能够满足自动驾驶检测机构或示范应用管理单位的测试和监管需求。