基于Prescan的信號燈路口跟停場景虛擬重構

2021-04-05 09:25:06張慧劉興亮黃昆付會通楊路鵬

汽車文摘 2021年4期

張慧劉興亮黃昆付會通楊路鵬

（中國汽車技術研究中心有限公司，天津300300）

主題詞：跟停場景場景虛擬重構神經網絡智能網聯

縮略語

EuroFOT European Field Operational Test

China-FOT China Field Operational Test

BSD Blind Spot Decision

TTC Time To Collision

1 前言

根據奔馳、寶馬、特斯拉等知名廠商研發經驗，智能駕駛技術主要包括3個步驟：道路測試、場景挖掘、場景虛擬重構。其中，道路測試旨在積累自然駕駛數據的歷程，如歐洲大型實車路試（European Field Operational Test，EuroFOT）項目[1]和中國大型實車路試（China Field Operational Test，China-FOT）項目[2]。場景挖掘針對道路測試的駕駛數據進行分類提取和挖掘，如中國汽車技術研究中心開展的跟車場景挖掘、BSD 場景挖掘、危險場景挖掘等項目[3]。場景虛擬重構是場景虛擬化、數據化技術成熟的重要標志，如李銀國、周中奎利用雙目攝像頭提取道路環境信息，進行智能駕駛場景的虛擬重構[4]。目前場景虛擬重構的主流軟件有CarSim、Prescan、VTD等，可以通過道路建設、目標物生成、初始條件、運動模型導入等步驟在軟件中將所需要的場景生成重構，極大地提升了智能駕駛研發和驗證的效率。

本文研究的信號燈路口跟停場景的虛擬重構，以Prescan軟件作為虛擬場景的搭建平臺，生成場景中的車輛、道路以及交通標志，針對靜止的目標前車和制動的目標前車，構造跟停模型，設定本車及目標車的初始條件，通過Prescan和Simulink聯合仿真[5]，自動生成虛擬的信號燈路口跟停的場景，為智能駕駛測試場景庫的信號燈路口跟停場景的虛擬重構模型搭建提供了技術支持。

2 跟停場景虛擬生成控制策略

2.1 跟停場景搭建架構

信號燈路口車輛跟停場景的搭建架構由道路環境建設模塊、初始條件設定模塊和車輛控制模塊3部分組成。其中，道路環境建設模塊包括道路、交通標志的建設，用于生成場景的道路環境條件；初始條件的設定旨在明確對本車位置和目標前車的位置、速度、加速度初始條件；車輛控制模塊以車輛狀態和目標參數為依據，控制車輛運動。

2.2 道路環境建設模塊

道路環境建設模塊主要目的是實現信號燈路口道路的自動生成。信號燈路口道路的測試用例提供雙向4車道、雙向6車道、雙向8車道的道路模型，可以對測試用例的車道數量、車道寬、車道線顏色和類型進行設置，如表1所示。

表1 道路設置

交通信號燈作為信號燈路口的主要交通標志物，具有指導機動車、非機動車、行人有序的通過信號燈路口的功能，是跟停場景的重要組成部分。測試用例提供多種搭建的場景環境，其中信號燈可選擇種類包括：機動車信號燈（橫置式）、機動車交通信號燈（直立式）、非機動車信號燈、人行橫道信號燈。

2.3 初始條件設定模塊

在信號燈路口跟停場景的虛擬重構過程中，以本車的初始位置作為場景參考系的原點（0，0），自動設定本車與目標前車位于同一車道內，因此場景重構僅需考慮車輛的縱向運動狀態[6]，初始條件設定模塊對跟停場景中本車位置、速度和目標前車的位置、速度、加速度參數進行設定，如圖1所示，輸出信息為初始時刻的車輛運動狀態。

圖1 初始條件設置模塊

2.4 車輛控制模塊

車輛控制模塊是虛擬場景自動生成的核心部分，它通過跟停模型控制本車跟停的運動過程，針對目標車的運動狀態，將跟停場景分為2組：目標車靜止和目標車制動減速[7]。在場景的虛擬重構過程中，由于各個測試車輛的結構各異，動力學模型各不相同，在此本文采用Prescan 默認的動力學模型作為本車的動力學模型。

2.41 最小制動減速度計算

一般而言，但凡新成立的部門在選才用人上都很重視專門學識，前清舊員們大多不具備專門學識，因此成為被裁汰的主要對象。但對此極力反對者有之，其理由是政府正當用人之際，應力為挽留才是。如交通部被裁撤人員覺得去留不公平，遂于4月28日在湖廣會館開會，研究對待梁士詒、葉恭綽之方法。同日，南方交通部人員針對此事在金臺旅館開會，研究如何到部履職問題。時人評論：“兩相映照，頗耐人尋味也。”

當前方目標車輛處于靜止狀態時，為保障車輛的行駛安全，需要計算滿足本車最小制動減速度[8]，它是避免本車與目標車碰撞的本車加速度臨界值，計算過程如下：

式中，ve為本車初始速度；a為本車的最小制動減速度；R為目標與本車的車頭間距；L0為最小安全距離，其值為3 m[9-11]。

當前方目標車輛處于制動減速狀態時，需要綜合考慮本車與目標車在行駛過程中的安全問題。為保障車輛的行駛安全，需要計算即時碰撞時間（Time To Collision,TTC）、目標車的制動時間、避免本車與前車碰撞最小制動減速度的臨界值[12-16]，默認目標車與本車的相對速度為vr＜0,目標車的加速度aobj＜0,計算過程如下：

式中，TTC為即時碰撞時間；R為目標與本車的車頭間距；vo為目標車初始速度；ve為本車初始速度；a為本車的最小制動減速度；tobj目標車的制動時間；a0為目標車的制動減速度；L0為最小安全距離。

2.42 基于神經網絡的跟停控制模型

最小制動減速度是避免本車與目標車碰撞的加速度臨界值，實際生活中駕駛員跟停往往會有更長的安全距離或更大的制動減速度。為了使虛擬重構跟停場景能夠更加真實的還原實際情況，利用神經網設計本車的跟停模型[17-19]，提取大量實際跟停場景的車輛狀態信息作為輸入、輸出對,構造基于神經網絡的跟停模型示意圖，如圖2所示，模型輸入為本車速度、最小制動減速度、相對距離、相對速度等，輸出為下一時刻的本車加速度。

圖2 智能駕駛系統示意

（1）隱含層神經元層數和個數選擇：

式中，n1為隱含層神經元個數，n2為輸入神經元個數，m為隱含層單元數目，a為1～10之間的調節常數。

（2）神經網絡的訓練方法選擇

常用的神經網絡訓練方法包括：下降法、牛頓算法、共軛梯度法、準牛頓法和Levenberg-Marquardt(LM)算法。依據模型參數以及對數據量進行對比，結果表明L-M算法的收斂速度最快，比其它算法的效果快幾倍到幾十倍。L-M算法的參數更新公式為：

式中，ΔW為參數更新矩陣，J為Jacobian 的加權系數矩陣，I為單位矩陣，u為加權系數，T為矩陣轉置。

（3）數據提取及訓練結果

提取目標車停止和目標車制動試驗過程中的車輛狀態數據對神經網絡進行訓練。目標車停止的試驗過程:目標車停在道路前方，控制本車在設定的位置達到設定的初始速度，由駕駛員進行跟停操作。目標車制動的試驗過程:目標車位于道路前方，以恒定的加速度進行制動，由駕駛員控制本車在初始條件下跟隨目標車停止。由于駕駛行為的學習需要大量數據，最終在10～40 km/h 的速度區間（目標速度小于本車速度）截取了4 886 組數據。選擇本車速度、目標速度、相對距離、相對速度作為輸入，選擇本車加速度作為輸出，訓練一個20 層的神經網絡，樣本數據按70%：15%：15%的比例分為訓練樣本、測試樣本、仿真樣本，訓練結果如表2所示。