学术咨询服务正当时学报期刊咨询网是专业的学术咨询服务平台！
发布时间：2022-01-13 10:30所属平台：学报论文发表咨询网浏览： 次
摘要：典型场景的边界需要从实际道路中发生的原始场景数据中提取，但人工场景标注方法效率低、成本高.因此，研究真实道路中自动驾驶场景的获取对自动驾驶汽车的测试具有重要意义，而切入场景是典型的危险场景.本研究基于一辆搭载L2级自动驾驶系统的车辆，改装多源异
摘要：典型场景的边界需要从实际道路中发生的原始场景数据中提取，但人工场景标注方法效率低、成本高.因此，研究真实道路中自动驾驶场景的获取对自动驾驶汽车的测试具有重要意义，而切入场景是典型的危险场景.本研究基于一辆搭载L2级自动驾驶系统的车辆，改装多源异构传感器的场景采集系统，比较了类驾驶员与自动驾驶系统在速度保持和车道居中行驶的能力.提出了基于预碰撞区域的切入场景自动识别算法，并基于SCANeR软件构建了识别算法评估测试平台，设计了大量测试用例生成程序对算法进行仿真测试.在试验场进行了11组实车切入场景测试，对识别算法进行了评价，并将仿真结果与实际试验结果进行了比较.
关键词：自动驾驶;场景;识别;验证
随着自动驾驶系统在车辆上的快速应用，交通事故风险大大降低，其中L2级自动驾驶系统为驾驶辅助系统(AdvancedDrivingAssistanceSystem，简称ADAS)，具有自适应巡航和车道居中功能，可有效降低追尾碰撞[1]和侧面碰撞[2]发生概率.ADAS系统可以带来良好的驾乘舒适性，得益于中国汽车主机厂和造车新势力的先进理念，ADAS或将成为标配功能[3].
有资料表明：由于ADAS的不安全性和功能局限性[4-6]，造成了多起事故.因此，公众和政府逐渐关注ADAS的安全性和可靠性性能[7].自动驾驶系统(AutonomousDrivingSystem，ADS)的可靠性和安全性能将通过实车测试和模拟测试进行测试[8-10]，这需要大量有效的测试场景案例揭示ADS的局限性和缺陷.当前，典型的测试场景构建方法为基于试验场构建的模拟测试场景[11-13]，该方法不能覆盖大多数边缘案例，无法全面深入测试ADS[14].
因此，研究真实道路中自动驾驶汽车可能遇见的场景，对于智能驾驶汽车的安全性测试至关重要，而切入场景是智能驾驶系统遭遇到的典型危险场景之一[15-16].场景数据的采集主要有车端场景数据采集、路侧单元采集、空中俯视、封闭试验场测试等方式[17-19]，但完全自动化实现场景的标记与分类较为困难[20]，一般做法是通过人工进行场景标记.
人工标记方式主要是基于场景采集车的摄像机记录视频，或在场景发生时使用按键将预定义的场景标志插入到数据流中，并离线处理数据，存在效率低、成本高等问题.因此，研究一种自动化切入场景的标记与分类的算法，对提高场景数据处理与数据挖掘的效率和降低成本具有重意义.本研究基于多个环境感知传感器搭建起了场景采集系统，并将采集系统部署至搭载了L2级自动驾驶系统的车辆.研究并提出了基于预碰撞区域的切入场景危险情况的检测算法，在基于SCANeR软件的仿真平台上利用大量的测试用例对算法进行了测试.随后，在不同车速和相对距离的切入场景下，以真实目标车辆在试验场上进行了测试验证.
1场景采集系统搭建场景采集系统由先进的多源异构环境感知传感器组成，例如顶置的80线机械旋转式激光雷达和两个MobileyeQ3的目标检测摄像头.
旋转激光雷达安装在车辆顶部，4个固体激光雷达分别安装在保险杠的前角和后角.当目标进入旋转激光雷达的盲区时，4个固体激光雷达将向激光雷达传感器融合模块提供目标的点云，这些点云将增强目标检测和跟踪的可靠性和稳定性.前置摄像头还可以输出目标信息以及车道信息，用于计算穿越车道的时间，并检测穿越车道的事件.
雨量传感器和光照传感器用于记录场景重建的环境条件.360°环视重编码摄像机仅用于将图像信息记录到视频中，用于检查自动切割算法检测到的场景的准确性.本研究识别切入场景的目标速度取样于前向毫米波雷达提供，目标距离、角度和加速度信息取样于激光雷达融合系统输出数据，摄像头识别结果作为数据备份使用.激光雷达系统的目标列表将进行预处理，其余传感器的数据将直接传输到场景采集系统，根据各个传感器的数据频率特性，设计了相应的数据同步处理与记录模块.
用于搭载场景采集系统的车辆为第三代哈佛H6，配备了L2级自动驾驶系统即ADAS，具有车道居中与全速域自适应巡航功能.真实的道路场景是随机发生的，目标车辆的运动由于道路的不平整度或坡度而不平稳.此外，如果场景采集系统车辆的运动也处于不稳定状态，那么这种方法收集到的场景可能会给软件或地面测试中场景的重构带来很多困难.因此，场景采集系统车辆的行驶方式应确保车辆始终保持在车道中心，并在大多数时间内以恒定速度行驶，通过这种方法收集到的场景可以相互一致，并且场景的稳定性也将大大提高.
在试验场地对驾驶员和车辆自动系统驾驶之间的速度保持能力和相对于车道的横向位置保持能力进行了试验比较.测试方法为：选择3名驾驶员进行测试，驾驶员将速度保持目标设置在50km/h，车道保持目标为车道中心行驶，跟随以50km/h的恒定速度前方目标车辆.弯道的车道曲线半径为500m，测试系统以很高的精度获取车辆的行驶数据.
选取3名驾驶员中驾驶表现最好的结果与车辆的自动驾驶系统进行对比，分别为试验结束驾驶员主动减速和驶出弯道的结果.根据对比结果发现，驾驶员驾驶速度总是在3km/h的范围内变化，但车辆的自动驾驶系统驾驶的速度几乎是恒定的.驾驶员驾驶偏离中心车道的最大横向位置分别为0.2m、0.4m、0.3m，不能很好将车辆保持在车道中间，车辆的ADAS能将车辆始终保持在车道中心0.1m的范围之内.
基于以上分析结果，使用带有L2级自动驾驶系统的场景采集车的原因如下：
1)不同的驾驶员有不同的驾驶习惯，收集的数据会受到驾驶员个人驾驶习惯的影响，收集的少数驾驶员的场景在统计上并不显著.2)具有主动安全功能的车辆生成的场景是ADAS与外部环境之间的博弈，不应受驾驶员主观驾驶行为的影响.3)ADAS在车辆方向控制和速度控制方面更稳定，采集的数据更稳定，提高采集场景数据的一致性.
2切入场景识别算法
2.1基于预碰撞区域的切入场景识别算法
场景采集系统采集传感器融合的数据流，通过该算法自动检测出危险场景，将有用的、合理的场景从海量数据中分离.场景识别算法主要基于自车车辆(SV)和目标车辆(TV)之间的预碰撞风险评估算法。
3算法仿真与实车验证
3.1算法仿真
本研究使用SCANeR场景仿真软件用于算法验证，搭建起如图5所示的算法仿真平台.根据预定义切入场景关键参数的边界和步长值，使用SCANeRexploer工具化自动生成测试用例和相应的可执行仿真文件集合.在C++中，将场景检测算法编译为可执行程序，并嵌入SCANeR场景仿真回路中，算法程序在共享内存中，自动运行进程并获得速度、距离、加速度等信息.
该算法平台可实现自动化加载不同参数的测试用例，并保存测试结果.测试算法的场景描述：TV触发变道前，SV沿前车道中心线匀速行驶，TV与SV保持一定横向距离行驶，当TV与SV的纵向距离达到表2中预设值时，TV以SV的行驶车道中心线为变道目标开始以匀速横向速度进行变道.根据采集到的实际道路的切入场景、相关测试规程数据、以及长期从事测试场景构建的经验参数，测试用例生成算法所使用SV和TV运动参数的边界范围。
3.2实车验证
基于重庆机动车强检试验场的内部试验道路，选取一段直线道路和弯道用于切入识别试验.切入试验时的场景，绿色框中选择的车辆表明目标车辆已正确识别.为SV与TV的相对距离、相对速度和TTC随时间变化的曲线.第3.1节生成的仿真测试用例无法完全在实车测试中进行有效验证.本研究使用以下方法来减少测试数量并获得最具代表性的测试用例.
4结论
在有限的测试用例下，通过仿真测试平台和真实测试验证的方法对本研究提出的切入场景识别算法进行了验证，识别正确率约能达到92%.因此，本研究提出的算法对于切入场景检测和分类应用具有一定的参考价值.然而，由于感知传感器的局限性，区域1的检测率有待进一步提高.在后续的工作中，将利用场景采集车，进行大规模的路试数据采集，覆盖更全面的场景，不断完善本研究所提出的算法，进一步提高场景识别率.
参考文献：
[1]兰凤崇，余蒙，李诗成，等.考虑预碰撞时间的自动紧急制动系统分层控制策略研究[J].汽车工程，2020，42(2)：206-214.
[2]张发，宣慧玉，赵巧霞.基于有限状态自动机的车道变换模型[J].中国公路学报，2008，21(3)：97-100.
[3]盖世汽车网.中国市场增长迅猛ADAS未来或将成标配[EB/OL].(2016-06-14)[2021-12-05].
[4]陈君毅，冯天悦，刘力豪，等.面向决策规划系统测试的具体场景自动化生成方法[J].汽车技术，2020(10)：45-50.
[5]刘晶郁，马辉，张学文，等.自动驾驶虚拟仿真测试技术研究进展[J].中国科技论文，2021，16(6)：571-577.
[6]董小飞，邵星辰，濮孝金.针对车辆AEB系统失效和误作用场景的研究[J].质量与标准化，2021(2)：50-53.
[7]张庆.基于多传感器数据融合的乘用车AEB控制策略研究[D].长春：吉林大学，2019.
[8]曾杰，胡雄，王戡，等.全速自适应巡航系统纵向性能表现测试与评价[C]//中国汽车工程学会.2020中国汽车工程学会年会论文集，2020.
作者：曾杰1，2，廖伟1，丁雪聪1，胡雄1
转载请注明来源。原文地址：http://www.xuebaoqk.com/xblw/7274.html
《基于预碰撞区域的切入场景自动化识别算法研究》