面向自动驾驶汽车测试的交通车辆交互过程建模

doi:10.19562/j.chinasae.qcgc.2022.12.004

摘要/Abstract

摘要：

为满足自动驾驶汽车测试对场景真实度的要求，提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集；采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型，结构相对简单的单体模型能提升场景模拟的可扩展性；针对自动驾驶汽车测试对模型鲁棒性要求高的问题，建立分布执行-集中对抗训练的架构进行交通车辆模型优化，提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真，通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。

关键词: 自动驾驶车辆, 测试, 交互关系, 深度学习, 交通场景

Abstract:

In order to meet the requirements of autonomous vehicle testing on the realness of the test scenes， a coupled feature modeling method is proposed， aiming at the interaction relationship between traffic vehicles. The dataset of traffic vehicle behaviors is established by combining the virtual data built based on mechanism model and the real scene data. Deep learning is adopted to set up the behavior decision model， following model and lane change model of traffic vehicles with local information response. The single model with relatively simple structure can enhance the expandability of scene simulation. In view of the high requirements of autonomous vehicle testing on model robustness， a framework of distributed execution and centralized adversarial training is constructed to conduct traffic vehicle model optimization for enhancing its robustness to input disturbance. The simulation environment for traffic vehicle interaction is created with a simulation on the model performed， and the effectiveness of the model is verified by comparing simulation data distribution with real data one and quantifying evaluation indicators.

Key words: autonomous vehicles, testing, interaction relationship, deep learning, traffic scenes

蒋渊德,朱冰,赵祥模,赵健,郑兵兵. 面向自动驾驶汽车测试的交通车辆交互过程建模[J]. 汽车工程, 2022, 44(12): 1825-1833.

Yuande Jiang,Bing Zhu,Xiangmo Zhao,Jian Zhao,Bingbing Zheng. Modeling of Traffic Vehicle Interaction for Autonomous Vehicle Testing[J]. Automotive Engineering, 2022, 44(12): 1825-1833.

图/表 16

图1

图2

表1

图3

图4

表2

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

参考文献 22

1	吕伟，黄广琛，汪京辉.基于元胞自动机的高速公路瓶颈交通演化仿真［J］.交通运输系统工程与信息，2022，6（6）： 1-11.
	LÜ Wei， HUANG Guangchen， WANG Jinghui. Simulation of highway traffic bottleneck via cellular automata ［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 6（6）： 1-11.
2	邓伟文，李江坤，任秉韬，等.面向自动驾驶的仿真场景自动生成方法综述［J］.中国公路学报，2022，35（1）：316.
	DENG Weiwen， LI Jiangkun， REN Bingtao， et al. A survey on automatic simulation scenario generation methods for autonomous driving［J］. China Journal of Highway Transport， 2022，35（1）：316.
3	张培兴，邱彬，朱冰，等.自动驾驶系统并行加速测试方法研究［J］.汽车工程，2022，44（2）：208-214.
	ZHANG Peixing， QIU Bin， ZHU Bing， et al. Study on parallel accelerated testing method for automated driving system［J］. Automotive Engineering， 2022， 44（2）： 208-214.
4	徐向阳，胡文浩，董红磊，等.自动驾驶汽车测试场景构建关键技术综述［J］.汽车工程，2021，43（4）：610-619.
	XU Xiangyang， HU Wenhao， DONG Honglei， et al. Review of key technologies for autonomous vehicle test scenario construction［J］. Automotive Engineering， 2021， 43（4）： 610-619.
5	MARKKULA G， MADIGAN R， NATHANAEL D， et al. Defining interactions： a conceptual framework for understanding interactive behaviour in human and automated road traffic［J］. Theoretical Issues in Ergonomics Science， 2020， 21（6）： 728-752.
6	SCHEIBLER K， EGGERS A， TEIGE T， et al. Solving constraint systems from traffic scenarios for the validation of autonomous driving［C］. CEUR-WS. Proc. of the 4th SC-square Workshop. Bern：CEUR-WS，2019： 2-12.
7	BAGSCHIK G， MENZEL T， MAURER M. Ontology based scene creation for the development of automated vehicles［C］. 2018 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2018： 1813-1820.
8	ZHANG Y， HANG P， HUANG C， et al. Human‐like interactive behavior generation for autonomous vehicles： a bayesian game‐theoretic approach with turing test［J］. Advanced Intelligent Systems， 2022， 4（5）： 2100211.
9	CHAO Q， JIN X， HUANG H W， et al. Force-based heterogeneous traffic simulation for autonomous vehicle testing［C］. 2019 International Conference on Robotics and Automation （ICRA）. IEEE， 2019： 8298-8304.
10	FENG S， YAN X， SUN H， et al. Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment［J］. Nature Communications， 2021， 12（1）： 1-14.
11	BHATTACHARYYA A， REINO D O， FRITZ M， et al. Euro-PVI： pedestrian vehicle interactions in dense urban centers［C］.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 6408-6417.
12	CUI H， RADOSAVLJEVIC V， CHOU F C， et al. Multimodal trajectory predictions for autonomous driving using deep convolutional networks［C］. 2019 International Conference on Robotics and Automation （ICRA）. IEEE， 2019： 2090-2096.
13	LIU L， FENG S， FENG Y， et al. Learning-based stochastic driving model for autonomous vehicle testing［J］. Transportation Research Record， 2022， 2676（1）： 54-64.
14	GAO J， SUN C， ZHAO H， et al. Vectornet： encoding HD maps and agent dynamics from vectorized representation［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 11525-11533.
15	GILLES T， SABATINI S， TSISHKOU D， et al. Home： heatmap output for future motion estimation［C］. 2021 IEEE International Intelligent Transportation Systems Conference （ITSC）. IEEE， 2021： 500-507.
16	MOHAMED A， QIAN K， ELHOSEINY M， et al. Social-stgcnn： a social spatio-temporal graph convolutional neural network for human trajectory prediction［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 14424-14432.
17	RASHID T， SAMVELYAN M， SCHROEDER C， et al. Qmix： monotonic value function factorisation for deep multi-agent reinforcement learning［C］. International Conference on Machine Learning. PMLR， 2018： 4295-4304.
18	KESTING A， TREIBER M， HELBING D. Enhanced intelligent driver model to access the impact of driving strategies on traffic capacity［J］. Philosophical Transactions of the Royal Society A： Mathematical， Physical and Engineering Sciences， 2010， 368（1928）： 4585-4605.
19	王俊. 考虑驾驶特性的微观交通仿真［D］. 北京：清华大学， 2011.
	WANG Jun. Microscopic traffic simulation considering driving characteristics ［D］. Beijing： Tsinghua University， 2011.
20	LAI G， CHANG W C， YANG Y， et al. Modeling long-and short-term temporal patterns with deep neural networks［C］. The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval， 2018： 95-104.
21	MIYATO T， DAI A M， GOODFELLOW I. Adversarial training methods for semi-supervised text classification［J］. arXiv Preprint arXiv：， 2016.
22	FOURNIER N， GUILLIN A. On the rate of convergence in Wasserstein distance of the empirical measure［J］. Probability Theory and Related Fields， 2015， 162（3）： 707-738.

年龄	人数	驾龄	人数
18~30	42	3年以下	31
30~40	36	4~10年	45
41~60	9	10年以上	11

模型	参数名称	数值
换道决策模型	T₁	30（3 s）
	GRU层数	2
	全连接层	（64，3）
自注意力跟驰模型	T₂	20（2 s）
	自注意力层数	2
	全连接层	（80，32，1）
换道规划模型	T₃	30（3 s）
	T₄	50（5 s）
	自注意力层数	2
	全连接层	（270，100）

[1]	焦志鹏, 马建, 赵轩, 张凯, 孟德安, 韩琪, 张昭. 基于电动汽车制动安全检测的短时工况及方法研究[J]. 汽车工程, 2024, 46(1): 109-119.
[2]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[3]	吴思宇,于文浩,邢星宇,张玉新,李楚照,李雪轲,古昕昱,李云巍,马小涵,路伟,王政,郝圳茂,王红,李骏. 基于关键场景的预期功能安全双闭环测试验证方法[J]. 汽车工程, 2023, 45(9): 1583-1607.
[4]	马天飞,李波,朱冰,赵健. 考虑大气条件影响的自动泊车系统超声波雷达建模[J]. 汽车工程, 2023, 45(9): 1646-1654.
[5]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[6]	胡林,李根,王方,林淼,巫宁. 基于CIDAS事故数据的路口乘用车-两轮车测试场景研究[J]. 汽车工程, 2023, 45(8): 1417-1427.
[7]	吴新政,邢星宇,刘力豪,沈勇,陈君毅. 基于错误注入的决策规划系统抗扰性测试与分析[J]. 汽车工程, 2023, 45(8): 1428-1437.
[8]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[9]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[10]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.
[11]	张爱法,娄磊,陈洋. 二排鞭打测试数据统计与相关性分析[J]. 汽车工程, 2023, 45(3): 510-516.
[12]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[13]	张新荣,谭宇航,贾一帆,黄晋,许权宁. 四轮独立驱动电动汽车路径跟踪鲁棒控制[J]. 汽车工程, 2023, 45(2): 253-262.
[14]	吕颖,祁旭,刘秋铮,王鑫煜,陈国迎. 考虑转向延迟特性的自动驾驶车辆路径跟踪控制方法[J]. 汽车工程, 2023, 45(12): 2234-2241.
[15]	李琳辉,张鑫亮,付一帆,连静,马家旭. 基于TC-YOLOv7算法的可见光与红外后融合检测研究[J]. 汽车工程, 2023, 45(12): 2280-2290.