原文传递
面向自动驾驶汽车仿真测试的场景构建研究
| 论文题名： | 面向自动驾驶汽车仿真测试的场景构建研究 |
| 关键词： | 自动驾驶汽车;仿真测试;跟车减速;换道切入;场景构建 |
| 摘要： | 在过去的几十年间，自动驾驶技术得到了前所未有的研发与发展。研究表明基于虚拟场景的仿真测试是未来自动驾驶车辆测试验证重要手段，是加快自动驾驶车辆商业化应用落地的关键途径。其中，车辆的行驶数据对加速自动驾驶技术的发展起着极其重要的作用。使用真实的车辆驾驶数据来生成测试场景，以在部署到硬件平台之前全面评估自动驾驶功能已成为不可或缺的一环。本文将存在潜在驾驶风险的跟车减速与换道切入场景作为目标驾驶场景，聚焦于对测试场景的构建方法进行探究。论文主要研究工作内容如下： 1）对驾驶数据集进行处理。该部分首先介绍了本文所使用的国内开源驾驶数据集 UTE，并使用了对指数移动平均滤波算法（sEMA）和 Savitzky-Golay 滤波器（S-G滤波器）对原始数据进行平滑处理。处理后的数据将为下文目标场景提取与分析提供支撑。此外，还将UTE数据集与美国开源US-101数据集进行了比较。 2）目标场景的提取与特征参数分析。首先制定目标驾驶场景的提取算法流程，采用阈值法提取了跟车减速与换道切入场景数据。同时，采用正态分布、伽马分布和贝塔分布等分布拟合函数对目标场景的特征参数进行量化分析，进而为不同的特征参数预定义合适的参数变化范围。此外，选取风险指数CI来表征目标场景的风险程度，并采用皮尔逊相关性方法对该参数与目标场景的连续特征变量进行相关性分析。 3）目标场景的聚类与分析。针对现有采用聚类的方法对场景生成研究中没有利用场景数据的时间维度的信息、只考虑一段时间的统计值和传统场景特征提取（如PCA）等问题。本文将适用于处理高维场景时间序列的LSTM-AE模型用来提取场景的低维特征参数并进行场景的聚类与分析。通过平均绝对误差MAE、平均绝对峰值百分比误差MAPPE和均方根误差RMSE等评估指标对PCA、AE和LSTM-AE 等算法进行评估，结果表明 LSTM-AE 算法表现出更好的效果。此外，基于提取的低维特征参数采用 k-means++做进一步的场景聚类，在轮廓系数上得分为0.6163，取得了最好的聚类效果。基于场景的聚类结果，对不同类别的目标场景进行了统计与分析，并采用MTTC和THW参数对不同类别的场景进行分析。 4）基于PreScan搭建目标场景并仿真分析。基于上文场景聚类的结果，在PreScan 中构建这些不同类别的目标场景。为了验证由数据挖掘而生成的场景，将 PreScan 仿真软件场景测试例子中较为成熟的 ACC 控制算法集成到不同类别的目标场景中。仿真结果表明，不同场景中主车能够与目标车辆之间产生良好的交互并满足驾驶的安全性。 |
| 作者： | 蒲雷 |
| 专业： | 工程(车辆工程) |
| 导师： | 叶明;郑易 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
