原文传递
自动驾驶车辆变道场景的虚拟测试技术研究
| 论文题名： | 自动驾驶车辆变道场景的虚拟测试技术研究 |
| 关键词： | 自动驾驶车辆;变道场景;虚拟测试;概率密度函数;粗蒙特卡洛法;自适应重要性采样 |
| 摘要： | 随着人工智能技术的发展，自动驾驶技术的提高有望在将来减少道路交通事故数量。与传统的车辆相比，自动驾驶系统的工作状态更加复杂和多样，这使得传统车辆的道路测试方法已经无法满足自动驾驶车辆的测试需求。目前，自动驾驶车辆的测试方法主要分为基于场景的测试方法和基于里程的测试方法。有研究证明车辆的变道行为在很大程度上影响交通流，甚至造成伤亡事故，因此本文主要研究了基于变道场景的虚拟测试问题，其研究内容如下： 首先，在自然驾驶数据集中根据车辆两侧车轮位置改变的信息结合两侧车轮移动到目标车道的精确时间提取车辆变道事件。建立了合适的自动驾驶车辆变道场景模型，确定其描述参数，分别是变道车辆的速度、两车的相对距离和碰撞时间（Time To Collision，TTC）。通过概率密度函数分布的分析可知变道车辆的不同速度区间对相对距离分布的影响不大，随着变道车辆速度区间的增加TTC的均值逐渐减小，不同相对距离区间对TTC的影响是有限的。 其次，运用本体论方法建立测试场景的环境本体，将结构化的本体作为场景组合模型的输入，利用成对独立组合测试方法生成潜在风险的测试用例。该方法应用于直线道和交通参与者的场景设计，对场景进行参数化得到测试用例，基于PreScan和Matlab/Simulink对生成的的测试用例进行联合仿真测试，验证测试用例的可用性。 最后，分析变道模型中描述参数的真实分布情况和估计描述参数的概率密度函数，拟合描述参数的分布。在保证原有统计意义的基础上，使用粗蒙特卡洛方法和自适应重要性采样方法对真实驾驶数据重采样生成新的变道测试用例。通过仿真结果可知，增加采样数量，粗蒙特卡洛方法对改善场景覆盖度和低概率测试场景数量方面不明显。然而，自适应重要性采样方法可以在更少的采样数量情形下发现更多的高风险测试场景数量和低概率测试场景数量。 |
| 作者： | 杨清蓉 |
| 专业： | 机械工程 |
| 导师： | 赵津 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
