智能汽车交通车辆的综合认知及其虚拟测试方法研究

发布时间：2020-11-16 15:14

　　 汽车工业经过百余年的发展,已由最初的纯机械系统,发展到如今的机电液一体化系统,并正在向智能化阶段迈进。目前,配备一级、二级驾驶自动化系统的量产车型已经进入市场,国内外研究人员正在致力于具备三级及以上自动驾驶功能车型的研发与产品化工作。对于三级及以上的自动驾驶系统,因为已经无需驾驶员对周围交通环境进行监控,所以实现对周围交通环境的全面认知就成为系统能够运行的必要前提条件。交通车辆作为交通环境的重要组成部分之一,对它的全面、准确认知,是所有后续决策、控制方法正确执行的前提。同时,具备高等级自动驾驶功能的智能汽车真正走向市场,为消费者所接受,离不开科学、全面、标准化的测试与认证。然而,如果仍然按照传统先进驾驶辅助系统的测试方法对其进行测试,则至少需要几十亿公里的道路测试才能满足认证要求,特别是一些需要在多车参与的复杂交通环境下或极限工况下进行的测试,从成本、安全、可控等方面考虑都面临诸多困难。因此,虚拟测试——场地测试——道路测试相结合的测试、认证方法正在成为该领域的研究热点,其中,基于驾驶模拟器的虚拟测试,在测试条件经济、安全、可控的同时,还可以进行真实驾驶员参与的主客观评价,已经成为智能汽车虚拟测试必不可少的一环。在对交通车辆进行认知时:车辆之间的相对运动会在彼此之间形成遮挡,导致传感器无法对被遮挡车辆进行感知;为降低智能汽车的感知系统成本,车上布置的多传感系统可能会存在一定的盲区,使系统在局部区域内无法获得交通车辆的感知结果;现有的传感器一般只能感知交通车辆的部分运动状态且会出现误检、漏检等识别错误。因此,对交通车辆的认知,不仅要融合单一时刻多传感器数据提高感知精度,还应该实现对进入感知范围交通车辆的全程稳定跟踪与所需状态准确估计。在对智能汽车进行虚拟测试时:即使进行单一智能汽车仿真,基于物理机理的传感器物理模型因为计算过程复杂、对场景建模要求高,仍然没有完全攻克实时仿真的难题;基于统计特性的功能模型忽略了传感器的内部工作过程,所以大都只能模拟传感器的感知误差,并不完全满足对综合认知和高级自动驾驶系统进行性能测试的需求;如果希望模拟遮挡之类的基本现象仍需额外执行复杂的计算过程,将难以对多智能汽车同时参与的复杂测试场景进行实时仿真。因此,建立既能体现传感器必要的物理特性又具备高计算效率的传感器模型,仍是目前进行智能汽车虚拟测试必须解决的技术难题。针对交通车辆认知和虚拟测试中的上述问题:本文试图探索一种基于机动目标跟踪理论的交通车辆认知方法,在交通车辆的感知信号出现短时丢失或明显错误的情况下,仍能对其进行有效的跟踪并估计运动状态;为了利用驾驶模拟器对本文提出的认知方法进行虚拟测试,本文还建立了能够反映必要物理特性并具有高计算效率的传感器功能模型,使之既能用于对单一智能汽车的虚拟测试,也能支持多智能汽车并发实时仿真,并研究了面向智能汽车仿真的驾驶模拟器虚拟测试平台集成的关键技术。主要研究内容如下:第一,在交通车辆认知方面,针对交通车辆存在易被遮挡、进入感知盲区和传感器误识别的问题,本文提出了一种基于机动目标跟踪理论的交通车辆综合认方法,并探索了跟踪与估计过程中的关键方法。具体包括:基于DS证据理论和碰撞检测算法融合不同对象特征的数据关联方法,在大型车辆被感知为多个目标时仍能进行可靠的数据关联;考虑轮廓特征与分类的几何轮廓融合估计方法;基于自适应滤波的运动状态融合估计方法。结合道路实验,验证了综合认知方法能够在城市快速路、环城路上对各种类型的车辆进行稳定跟踪,并对估计车辆几何轮廓和相对、绝对运动状态的准确程度进行了定性分析。第二,在传感功能模拟方面,现有的传感器功能模型大都只能体现感知误差,缺乏对遮挡效果等其他由物理特性导致常见现象的模拟,不能完全满足对综合认知和高级自动驾驶系统进行性能测试的需求,如果考虑其他物理特性往往计算量过大,又将难以实时仿真多智能汽车同时参与的复杂测试场景。本文提出了一种能体现必要物理特性并具备高计算效率的传感器功能建模方法,并对其中关键环节的实现方法进行了研究。为了能够实时仿真多智能汽车同时参与的复杂测试场景,提出了一种基于空间位置和几何轮廓的对象信息快速提取方法,实现了对大规模三维视景仿真数据的有效管理和快速检索;为了在感知误差之外模拟其他由物理特性导致的常见现象,基于本文定义的可见三角形与可见角,分别提出了物体之间遮挡关系的快速判断算法和激光雷达感知物体几何轮廓的快速计算方法。仿真验证表明,本文建立的毫米波雷达、激光雷达、照相机模型均能够很好地模拟真实的产品特性,并且计算效率高,具备多模型并发实时仿真的能力。第三,为了集成面向智能汽车仿真的驾驶模拟器虚拟测试平台,全面分析了智能汽车仿真对传统驾驶模拟器的新需求,并研究了驾驶模拟器虚拟测试平台集成的有关关键技术,包括:基于路段的分层道路建模方法,在主要描述几何、光照真实感的三维道路模型上,实现了对道路结构化、逻辑连接关系等交通、传感器仿真必备属性信息的模型化表达;在引入交通仿真后,能够支持大量交通数据实时同步显示的分布式视景系统集成方法;以及屏幕固定的开放式驾驶模拟器视景系统斜视校正方法,保证了驾驶员视觉与体感的协调一致,使之具备了进行智能汽车控制性能主客观评价的基础条件。本文提出的驾驶模拟器虚拟虚拟测试平台集成方法已经应用在不同规模、结构形式的驾驶模拟器中,并且能够用于智能汽车控制性能的主客观评价。最后,分别为智能汽车集成了用于综合认知的实车硬件平台,和在实车、模拟器环境下通用的软件开发平台,利用驾驶模拟器和实车实验对本文提出的交通车辆综合认知方法进行测试,并定量分析了对交通车辆运动状态的估计结果。实验结果表明,综合认知方法能够实现对交通车辆的稳定跟踪,几何轮廓和运动状态的准确估计;通过模拟器与实车实验的对比,验证了本文建立的传感器功能模型和驾驶模拟器虚拟测试平台,能够用于智能汽车相关功能的开发和虚拟测试。
【学位单位】：吉林大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：U463.6;U495
【部分图文】：

图 1.1 三级有条件自动驾驶必须完全实现对象与事件的检测与响应任何一项技术在真正落地之前，都离不开科学、全面、标准化的测试与认证洲 PEGASUS 计划的测算，如果按照传统的先进驾驶辅助系统（ADAS）的测三级及以上的自动驾驶系统进行测试，需要几十亿公里的道路测试才能满足[14]。特别是一些需要在多车参与的复杂交通环境下或极限工况下进行的测试验在成本、安全、可控等方面都面临诸多困难。因此，国内外已经开始有学虚拟测试——场地测试——道路测试相结合的测试、认证方法进行研究[15]。示，基于驾驶模拟器的虚拟测试，因为可以引入真实驾驶员的参与和进行主并且实验环境安全、可控，已经成为智能汽车测试、认证过程中必不可少的]。

国内外已经开始有学者尝试对虚拟测试——场地测试——道路测试相结合的测试、认证方法进行研究[15]。如图1.2 所示，基于驾驶模拟器的虚拟测试，因为可以引入真实驾驶员的参与和进行主观评价，并且实验环境安全、可控，已经成为智能汽车测试、认证过程中必不可少的一环[14][16]。

图 1.3 基于占用栅格地图的特征级融合方法有时，不必要求每个传感器提取的特征表达形式一致或者都能提取出特征才可行融合，比如雷达与视觉的融合，而且，相比于单纯应用视觉，雷达的引入可以确的定位目标。德国乌尔姆大学与戴姆勒公司共同开发的车辆检测系统，首先对雷达点云进行聚类得到由简单几何元素描述的特征，然后将特征投影到图像坐标并建立感兴趣区域（Region of Interest，ROI），再由图像处理算法在 ROI 内搜索车征，经过进一步的关联和 AdaBoost 分类器分类，得到最终的车辆检测结果[31][32]。内，长安大学和中南大学也都采用了类似的方法，对障碍物进行检测，并充分利达测距精确的特点得到障碍物的相对位置，只是两所高校分别采用了毫米波雷达激光雷达[34]两种不同的雷达。毫米波雷达的优势在于能对物体的相对速度进行测量。因此，德国伍珀塔尔大出了毫米波雷达与视觉融合实现对目标的检测与分类的方法[35]，首先使用毫米波
【参考文献】

相关期刊论文 前2条

1 Martijn TIDEMAN;Thijs VERSTEEGH;Roy BOURS;;用于设计和评估汽车主动安全及一体化安全系统的开发方法(英文)[J];汽车安全与节能学报;2012年02期

2 ;Development of an Intelligent Vehicle Experiment System[J];Chinese Journal of Mechanical Engineering;2010年06期

本文编号：2886380