原文传递
基于数字孪生的复杂驾驶场景仿真模型的研究和实现
| 论文题名： | 基于数字孪生的复杂驾驶场景仿真模型的研究和实现 |
| 关键词： | 自动驾驶汽车;复杂驾驶场景;仿真模型;数字孪生 |
| 摘要： | 随着自动驾驶技术的不断发展，其所需测试场景结构变得越来越复杂，场景数量也在不断增加。驾驶场景中的天气、交通和实际路况等因素具有较大不确定性，仅通过采集道路数据，很难精准、全面地对驾驶算法进行评估。在真实路况中，自动驾驶测试中存在明显的长尾效应，即算法越完善，能够改进算法测试的场景就越少。即便在封闭场地内搭建复杂的交通场景，其成本仍然很高，测试过程也伴随着较高的安全风险。为了克服上述困境，本文基于实际复杂的驾驶场景，探索高效、低成本的数字仿真模型。 基于数字孪生技术，本文提出一种复杂驾驶场景仿真模型构建方法，通过SUMO和rFPro仿真工具构造出数字孪生环境，融合感知、定位和映射等技术，实现以1:1高精度重建物理空间。车载终端从控制中心的服务器获取控制命令，根据命令做出相应动作，将定位数据上传到服务器并进行虚实映射和推导演绎。利用仿真跟驰模型和换道模型还原真实场景，通过计算得到新的驾驶行为指令。在通信过程中，边缘车载侧需要多次上传数据，这将消耗大量的带宽资源，从而影响全局驾驶行为评估的准确度。本文为此提出分片上传算法，实现上传数据的的裁剪和分块，提高车载端数据上传的速度，加快全局效率。本文首先设计一个复杂驾驶场景模型系统，并实现了对应的功能，最后对系统进行实验验证与分析，主要工作如下： （1）基于SUMO微观仿真框架和rFPro场景还原工具,搭建了基于数字孪生的复杂驾驶场景模型，还原了典型街景的驾驶场景，通过驾驶场景模型可以获取到各项指标参数比如速度，方向盘转角等和场景图片。 （2）基于NodeJS，Python语言和Express框架,进行数字孪生的虚拟服务端平台（中心云服务端）的搭建，实现了定位数据映射、心跳检测、文件分片上传等基本功能。 （3）研究跟驰与换道模型算法，对比不同算法之间的差异，通过神经网络来预测车辆的轨迹，预测下一时刻的速度、转角和定位等参数，从而做出合适的驾驶行为。 （4）对系统的功能进行分析和测试，将常用的模型参数以及仿真结果存入管理平台，供使用者查找和配置驾驶场景仿真模型参数。 |
| 作者： | 叶少槟 |
| 专业： | 控制工程 |
| 导师： | 余荣;沈剑峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
