首页 > 专利信息

基于Prescan 的信号灯路口跟停场景虚拟重构

2021年第4期

张慧

刘兴亮

黄昆

付会通

杨路鹏

（中国汽车技术研究中心有限公司，天津300300）

【摘要】为满足我国智能驾驶汽车测试场景库的搭建和ADAS （高级驾驶辅助系统）功能研发和验证的需求，设计了一

种基于Prescan 的交通信号灯路口车辆跟停场景虚拟重构方法，该方法由道路环境建设模块、初始条件设定模块和车辆控制模块组成。道路环境建设模块通过输入道路参数信息构建虚拟道路，初始条件设定模块通过输入本车和目标车的初始位置、初始速度信息确定零时刻车辆和道路的空间位置及状态信息，

车辆控制模块依据车辆速度位置等信息，利用训练的神经网络控制本车加速度，实现跟停场景的虚拟重构。仿真结果表明，该方法可以实现交通信号灯路口车辆跟停场景的虚拟重构。

主题词：跟停场景场景虚拟重构神经网络智能网联

中图分类号：U461

文献标识码：A

DOI:10.19822/jki.1671-6329.20200195

Virtual Reconstruction of Follow Stop Scene in Traffic Light

Intersection Based on Prescan

Zhang Hui,Liu Xingliang,Huang Kun,Fu Huitong,Yang Lupeng

扩管机（China Automotive Technology and Research Center Co.,Ltd.,Tianjin 300300）

【Abstract 】To meet the demand of Chinese autonomous vehicle library construction and the requirements of ADAS function research and development as well as validation,this paper aims to de

sign a traffic light intersection based on Prescan vehicles with virtual scene reconstruction method.The method consists the road environment construction module,the initial setting module and a control module on the local conditions.The initial condition setting module determines the spatial position and state information of the vehicle and the road at zero time by inputting the initial position and speed of

the vehicle and the target vehicle,and the vehicle control module controls the acceleration of the vehicle by using the

trained neural network according to the information of the vehicle speed and position,so as to realize the virtual reconstruction of the following stop scene.The simulation results show that this method can realize the virtual reconstruction of the scene of vehicle following stop at traffic lights.

Key words:Follow stop scene,Scene virtual reconstruction,Neural network,Intelligence and

connection

基于Prescan 的信号灯路口跟停场景虚拟重构

【欢迎引用】张慧，刘兴亮，黄昆，等.基于Prescan 的信号灯路口跟停场景虚拟重构[J].汽车文摘,202

1(4):52-57.

【Cite this paper 】Zhang H,Liu X,Huang K,et al.Virtual Reconstruction of Follow Stop Scene in Traffic Light Intersection Based on

Prescan[J].Automotive Digest (Chinese),2021(4):52-57.

缩略语

EuroFOT European Field Operational Test China-FOT

China Field Operational Test BSD Blind Spot Decision TTC Time To Collision

1前言

目前，智能驾驶汽车的研发与验证的方法主要分

为4类：实车路试、场地测试、台架测试和虚拟仿真测试。这4类方法随着技术的提升，虚拟化程度不断提高，研发和验证的效率获得极大地提升。其中，虚拟仿真测试是虚拟化程度最高且研发和验证效率最快的一种方法，主要表现形式为场景的虚拟重构和重构场景的评价和评估。

转向节

根据奔驰、宝马、特斯拉等知名厂商研发经验，智能驾驶技术主要包括3个步骤：道路测试、场景挖掘、场景虚拟重构。其中，道路测试旨在积累自然驾驶数

据的历程，如欧洲大型实车路试（European Field Oper⁃ational Test，EuroFOT）项目[1]和中国大型实车路试（China Field Operational Test，China-FOT）项目[2]。场景挖掘针对道路测试的驾驶数据进行分类提取和挖掘，如中国汽车技术研究中心开展的跟车场景挖掘、BSD场景挖掘、危险场景挖掘等项目[3]。场景虚拟重构是场景虚拟化、数据化技术成熟的重要标志，如李银国、周中奎利用双目摄像头提取道路环境信息，进行智能驾驶场景的虚拟重构[4]。目前场景虚拟重构的主流软件有CarSim、Prescan、VTD等，可以通过道路建设、目标物生成、初始条件、运动模型导入等步骤在软件中将所需要的场景生成重构，极大地提升了智能驾驶研发和验证的效率。

本文研究的信号灯路口跟停场景的虚拟重构，以Prescan软件作为虚拟场景的搭建平台，生成场景中的车辆、道路以及交通标志，针对静止的目标前车和制动的目标前车，构造跟停模型，设定本车及目标车的初始条件，通过Prescan和Simulink联合仿真[5]，自动生成虚拟的信号灯路口跟停的场景，为智能驾驶测试场景库的信号灯路口跟停场景的虚拟重构模型搭建提供了技术支持。

2跟停场景虚拟生成控制策略

2.1跟停场景搭建架构

信号灯路口车辆跟停场景的搭建架构由道路环境建设模块、初始条件设定模块和车辆控制模块3部分组成。其中，道路环境建设模块包括道路、交通标志的建设，用于生成场景的道路环境条件；初始条件的设定旨在明确对本车位置和目标前车的位置、速度、加速度初始条件；车辆控制模块以车辆状态和目标参数为依据，控制车辆运动。

2.2道路环境建设模块

道路环境建设模块主要目的是实现信号灯路口道路的自动生成。信号灯路口道路的测试用例提供双向4车道、双向6车道、双向8车道的道路模型，可以对测试用例的车道数量、车道宽、车道线颜和类型进行设置，如表1所示。

表1道路设置

交通信号灯作为信号灯路口的主要交通标志物，具有指导机动车、非机动车、行人有序的通过信号灯路口的功能，是跟停场景的重要组成部分。测试用例提供多种搭建的场景环境，其中信号灯可选择种类包括：机动车信号灯（横置式）、机动车交通信号灯（直立式）、非机动车信号灯、人行横道信号灯。

2.3初始条件设定模块

在信号灯路口跟停场景的虚拟重构过程中，以本车的初始位置作为场景参考系的原点（0，0），自动设定本车与目标前车位于同一车道内，因此场景重构仅需考虑车辆的纵向运动状态[6]，初始条件设定模块对跟停场景中本车位置、速度和目标前车的位置、速度、加速度参数进行设定，如图1所示，输出信息为初始时刻的车辆运动状态。

图1初始条件设置模块

2.4车辆控制模块

车辆控制模块是虚拟场景自动生成的核心部分，它通过跟停模型控制本车跟停的运动过程，针对目标车的运动状态，将跟停场景分为2组：目标车静止和目标车制动减速[7]。在场景的虚拟重构过程中，由于各个测试车辆的结构各异，动力学模型各不相同，在此本文采用Prescan默认的动力学模型作为本车的动力学模型。

2.41最小制动减速度计算

当前方目标车辆处于静止状态时，为保障车辆的行驶安全，需要计算满足本车最小制动减速度[8]，它是避免本车与目标车碰撞的本车加速度临界值，计算过程如下：

v e2=2a(R-L0)（1）

v e2

2(R-L0)（2）式中，v e为本车初始速度；a为本车的最小制动减速度；R为目标与本车的车头间距；L0为最小安全距离，其值为3m[9-11]。

设置参数车道数量车道宽车道线颜车道线类型

选项/值

4车道/6车道/8车道

3.5m/其它

白/黄

实线/虚线/双实线

汽车文摘

2021年第4期

当前方目标车辆处于制动减速状态时，需要综合考虑本车与目标车在行驶过程中的安全问题。为保障车辆的行驶安全，需要计算即时碰撞时间（Time To Col⁃lision,TTC ）、目标车的制动时间、避免本车与前车碰撞最小制动减速度的临界值

[12-16]

，默认目标车与本车的相

对速度为v r <0，目标车的加速度a obj <0，计算过程如下：

TTC =-R v o -v e

（3）t obj =-v o a o

（4）

当2TTC <t obj 时

点火模块a =a obj -(v o -v e )2

2(R -L 0)（5）

当2TTC >t obj 时

a =

a o

-2(R -L 0)（6）

式中，TTC 为即时碰撞时间；R 为目标与本车的车头间距；v o 为目标车初始速度；v e 为本车初始速度；a 为本车的最小制动减速度；t obj 目标车的制动时间；a 0为目标车的制动减速度；L 0为最小安全距离。2.42基于神经网络的跟停控制模型

最小制动减速度是避免本车与目标车碰撞的加

速度临界值，实际生活中驾驶员跟停往往会有更长的安全距离或更大的制动减速度。为了使虚拟重构跟停场景能够更加真实的还原实际情况，利用神经网设计本车的跟停模型[17-19]，提取大量实际跟停场景的车辆状态信息作为输入、输出对，构造基于神经网络的跟停模型示意图，如图2所示，模型输入为本车速度、最小制动减速度、相对距离、相对速度等，输出为下一时刻的本车加速度。

图2

智能驾驶系统示意

（1）隐含层神经元层数和个数选择：

n 2=n 1+m +a （7）n 2=log 2n 1

（8）

式中，n 1为隐含层神经元个数，n 2为输入神经元个

数，m 为隐含层单元数目，a 为1~10之间的调节常数。

（2）神经网络的训练方法选择

常用的神经网络训练方法包括：下降法、牛顿算法、共轭梯度法、准牛顿法和Levenberg-Marquardt(L-M)算法。依据模型参数以及对数据量进行对比，结果表明L-M 算法的收敛速度最快，比其它算法的效果快

几倍到几十倍。L-M 算法的参数更新公式为：

ΔW =()J T J +uI J T

（9）

式中，ΔW 为参数更新矩阵，

J 为Jacobian 的加权系数矩阵，I 为单位矩阵，u 为加权系数，T 为矩阵转置。

（3）数据提取及训练结果

提取目标车停止和目标车制动试验过程中的车辆状态数据对神经网络进行训练。目标车停止的试验过程：目标车停在道路前方，控制本车在设定的位置达到设定的初始速度，由驾驶员进行跟停操作。目

标车制动的试验过程：目标车位于道路前方，以恒定的加速度进行制动，由驾驶员控制本车在初始条件下跟随目标车停止。由于驾驶行为的学习需要大量数据，最终在10~40km/h 的速度区间（目标速度小于本车速度）截取了4886组数据。选择本车速度、目标速度、相对距离、相对速度作为输入，选择本车加速度作为输出，训练一个20层的神经网络，样本数据按70%：15%：15%的比例分为训练样本、测试样本、仿真样本，训练结果如表2所示。

表2

神经网络的训练结果

车辆控制模块利用神经网络输出的本车加速度和基于参数化设计的跟停场景控制模型，计算获得车辆的运动状态和行驶轨迹[19]。定义安全信号a safe ，车头间距大于危险车头间距（本车以最小制动减速度行

驶）的值为1，否则值为0。

跟停控制模型如图3所示，以本车状态、目标状态、神经网络计算的本车加速度、相对距离、相对速度和最小制动减速度作为输入，控制输出本车和目标车

的行驶轨迹和安全信号。

样本训练测试仿真

场景数/组

488610471047均方误差0.09220.02510.0208