自动驾驶拟人连续交互测试场景生成方法

doi:10.19562/j.chinasae.qcgc.2024.09.007

摘要/Abstract

摘要：

基于场景的仿真测试方法是自动驾驶汽车安全性验证的重要手段，然而当前测试场景生成方法多输出独立场景片段，如何模拟真实人类驾驶过程生成具有一定挑战的连续交互测试场景已成为自动驾驶测试评价亟须攻克的难题。本文提出了一种自动驾驶拟人连续交互测试场景生成方法。首先建立自动驾驶拟人连续交互测试场景生成架构，并基于HighD数据集进行车辆运动行为分析；在此基础上，基于轨迹相似性特征分析被测自动驾驶汽车当前行为，并通过状态转移矩阵预测其未来轨迹；基于轨迹交互规则确定测试场景中交通车未来行为类型，通过Transform网络架构生成交通车拟人连续交互轨迹；最后，在仿真环境中对生成测试场景的危险性、拟人性等关键性能进行评估，证明了本文方法的有效性。

关键词: 自动驾驶, 连续交互测试场景, 轨迹预测, 拟人交互轨迹生成

Abstract:

Scenario-based simulation test method is an important means of automated driving vehicle safety verification； however， current test scenarios generation methods are mostly for independent scenarios. How to simulate the human real driving process to generate continuous interactive test scenario with challenges has become a problem that needs to be solved urgently in automated driving test evaluation. In this paper， an automated driving anthropomorphic continuous interactive test scenarios generation method is proposed. Firstly， the architecture for anthropomorphic continuous interactive test scenarios generation is established， and the vehicle motion behavior analysis is conducted based on the HighD dataset. On this basis， the current behavior of tested automated driving vehicle based on the trajectory similarity feature is analyzed， and the prediction of the future trajectory through the state transfer matrix is realized. Then， the type of the future behaviors of the traffic vehicles based on the trajectory interaction rules are determined， and the specific trajectory is generated by Transform network. Finally， the key performance indicators such as danger and anthropomorphism of the generated test scenarios are evaluated in simulation test environment， which proves the effectiveness of the method proposed in this paper.

Key words: automated driving, continuous interactive test scenario, trajectory prediction, anthropomorphic interactive trajectory generation

朱冰,范天昕,赵健,张培兴,宋东鉴,薛越,赵文博. 自动驾驶拟人连续交互测试场景生成方法[J]. 汽车工程, 2024, 46(9): 1600-1607.

Bing Zhu,Tianxin Fan,Jian Zhao,Peixing Zhang,Dongjian Song,Yue Xue,Wenbo Zhao. Generation Method for Anthropomorphic Continuous Interactive Test Scenarios of Automated Driving[J]. Automotive Engineering, 2024, 46(9): 1600-1607.

图/表 12

图1

图2

表 1

表 2

图3

表 3

图4

图5

图6

图7

图8

图9

参考文献 16

1	朱冰，张培兴，赵健，等. 基于场景的自动驾驶汽车虚拟测试研究进展［J］. 中国公路学报， 2019， 32（60）： 1-19.
	ZHU B， ZHANG P X， ZHAO J， et al. Review of scenario-based virtual validation methods for automated vehicles［J］. China Journal of Highway and Transport， 2019， 32（60）： 1-19.
2	LIU M， OUYANG X， LU R， et al. An evaluation method for automotive technical and comprehensive performance［J］. Automotive Innovation， 2023， 6： 231-243.
3	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 X， HU W， DONG H， et al. Review of key technologies for autonomous vehicle test scenario construction［J］. Automotive Engineering， 2021，43（4）： 610-619.
4	ZHAO S， DUAN J， WU S， et al. Genetic algorithm-based sotif scenario construction for complex traffic flow［J］. Automotive Innovation， 2023，6： 531-546.
5	蒋渊德，朱冰，赵祥模，等.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.
	JIANG Y D， ZHU B， ZHAO X M， et al. Modeling of traffic vehicle interaction for autonomous vehicle testing［J］. Automotive Engineering， 2022，44（12）：1825-1833.
6	郭景华，李克强，王进，等.基于危险场景聚类分析的前车随机运动状态预测研究［J］.汽车工程， 2020，42（7）：847-853，859.
	GUO J H， LI K Q， WANG J， et al. Study on prediction of preceding vehicle's stochastic motion based on risk scenarios clustering analysis［J］. Automotive Engineering， 2020，42（7）：847-853，859.
7	李江坤，邓伟文，任秉韬，等. 基于场景动力学和强化学习的自动驾驶边缘测试场景生成方法［J］. 汽车工程， 2022， 44（7）： 976-986.
	LI J K， DENG W W， REN B T， et al. Automatic driving edge scene generation method based on scene dynamics and reinforcement learning［J］. Automotive Engineering， 2022， 44（7）： 976-986.
8	FENG S， SUN H， YAN X， et al. Dense reinforcement learning for safety validation of autonomous vehicles［J］. Nature， 2023， 615： 620-627.
9	RODRIGO Q， DIVIT S， RICARDO C， et al. A driver-vehicle model for ADS scenario-based testing［J］. IEEE Transactions on Intelligent Transportation Systems， 2024，25（8）： 8641-8654.
10	潘春燕. 基于自然交通流生成的自动驾驶车辆测试评价研究［D］. 长春：吉林大学， 2022.
	PAN C Y. Research on test and evaluation of autonomous vehicles based on natural traffic flow generation［D］. Changchun： Jilin University， 2022.
11	王博洋，龚建伟，张瑞增，等. 基于真实驾驶数据的运动基元提取与再生成［J］. 机械工程学报， 2020，56（16）：155-165.
	WANG B Y， GONG J W， ZHANG R Z， et al. Motion primitives extraction and regeneration based on real driving data ［J］. Journal of Mechanical Engineering， 2020，56（16）：155-165.
12	TAN Y， YANG Y， REN H， et al. Survey on traffic flow-based autonomous driving simulation tests［C］. 2023 IEEE 32nd Asian Test Symposium， New York： IEEE， 2023：100-105.
13	刘宇翔. 基于驾驶行为基元的换道风格分类方法研究［D］. 长春：吉林大学， 2024.
	LIU Y X. Research on the lane-changing style classification method based on driving behavior primitives［D］. Changchun： Jilin University， 2024.
14	万志成，郑静. 基于狄利克雷过程高斯混合模型的变分推断［J］. 杭州电子科技大学学报（自然科学版）， 2011， 41（5）： 54-61.
	WAN Z C， ZHENG J. Variational inference for gaussian mixture model based on dirichlet process［J］. Journal of Hangzhou Dianzi University（Natural Sciences）， 2011， 41（5）： 54-61.
15	BENDER A， AGAMENNONI G， WARD J， et al. An unsupervised approach for inferring driver behavior from naturalistic driving data［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（6）： 3325-3336.
16	XU P， ZHU X， CLIFTON D. Multimodal learning with transformers： a survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（10）： 12113-12132.

行为类别	统计量	纵向速度	横向速度	纵向加速度	横向加速度
类别1	均值	22.72	-0.000 1	-0.03	-0.010 5
	方差	21.69	0.010 9	0.02	0.004 6
	中位数	24.12	0.001 3	-0.06	0.000 0
类别2	均值	27.29	0.002 6	0.08	-0.002 9
	方差	236.19	0.011 9	0.04	-0.004 6
	中位数	31.13	0.010 2	0.08	0.000 0
类别3	均值	24.16	-0.006 1	0.03	0.000 0
	方差	1.71	0.006 6	0.01	0.002 6
	中位数	24.17	0.011 4	0.03	0.010 0
类别4	均值	31.73	0.061 2	0.15	0.002 8
	方差	3.57	0.248 7	0.09	0.003 5
	中位数	31.96	0.040 0	0.15	0.010 0
类别5	均值	25.63	-0.073 6	0.23	0.005 7
	方差	11.74	0.267 5	0.16	0.039 8
	中位数	25.36	-0.039 7	0.16	0.010 0

行为	1	2	3	4	5
侧方	行为1/5（前侧/靠近自动驾驶方向纵向前）	行为2/4（前侧/靠近自动驾驶方向纵向前）	行为1/5（前侧/靠近自动驾驶方向纵向前）	行为2/4（纵向重叠/靠近自动驾驶方向纵向重叠）	行为1/5（纵向重叠/靠近自动驾驶方向纵向重叠）
正前	行为1/3（前间距缩短/前）	行为2（前间距缩短）	行为1/3（前间距缩短/前）	行为2/4（纵向重叠/靠近自动驾驶方向纵向重叠）	行为1/5（纵向重叠/靠近自动驾驶方向纵向重叠）
正后	行为5（侧向纵向重叠）	行为4（侧向纵向重叠）	行为5（侧向纵向重叠）	行为2（侧向纵向重叠）	行为1（侧向纵向重叠）

网络参数	数值	网络参数	数值
Input_size	2	Output_size	1
Embedding_size	8	N_head	8
Dim_feedforward	2 048	Dropout	0
Batch_size	512	Initial_learning_rate	0.001
Gamma	0.995	Epoch	1 000

[1]	李道飞,潘豪. 场景复杂度评估在轨迹预测和驾驶决策中的应用[J]. 汽车工程, 2024, 46(9): 1556-1563.
[2]	张佳楠,胡钊政,孟杰,胡华桦,左洁. 面向车-路-图协同的分布式自动驾驶仿真平台架构及应用[J]. 汽车工程, 2024, 46(8): 1335-1345.
[3]	颜伏伍,向博文,胡杰,陈锐鹏,张志豪,刘昊岩,高宠智. 基于改进LPV模型的自动驾驶轻型货车横向控制[J]. 汽车工程, 2024, 46(8): 1403-1413.
[4]	陶乐,王海,蔡英凤,陈龙. 面向自动驾驶场景的多目标点云检测算法[J]. 汽车工程, 2024, 46(7): 1208-1218.
[5]	李琳辉,付一帆,王霆,王雪成,连静. 引入自监督预训练的轨迹预测方法[J]. 汽车工程, 2024, 46(7): 1219-1227.
[6]	王海,张桂荣,罗彤,邱梦,蔡英凤,陈龙. 面向自动驾驶道路场景中异常案例的多模态数据挖掘算法[J]. 汽车工程, 2024, 46(7): 1239-1248.
[7]	王海,丁玉轩,罗彤,邱梦,蔡英凤,陈龙. 驾驶场景下结合运动速度以及外观特征的多类多目标跟踪方法[J]. 汽车工程, 2024, 46(6): 956-964.
[8]	黄晶,刘祥臻,邓潇阳,陈然. 基于多模态轨迹预测的智能车轨迹规划研究[J]. 汽车工程, 2024, 46(6): 965-974.
[9]	王国栋,刘立,孟宇,杜海平,白国星,顾青. 自动驾驶汽车避撞极限研究[J]. 汽车工程, 2024, 46(6): 985-994.
[10]	姚福星,孙超,兰云港,卢兵,王博,于海洋. 基于混合专家模型的智能网联汽车换道决策方法[J]. 汽车工程, 2024, 46(5): 882-892.
[11]	李梦凡,冯忠祥,张卫华,李靖宇. 面向人机共驾模式下驾驶人接管过程的视觉转移特性研究[J]. 汽车工程, 2024, 46(5): 795-804.
[12]	杜国栋,邹渊,张旭东,孙文景,孙巍. 基于双估计强化学习结合前向预测控制的自动驾驶运动控制研究[J]. 汽车工程, 2024, 46(4): 564-576.
[13]	丁志杰,王亚飞,章翼辰,邬明宇,王亦乐. 基于复合动态采样的自动驾驶矿车节能路径规划方法[J]. 汽车工程, 2024, 46(4): 588-595.
[14]	刘辉,张发旺,聂士达,段京良,郭丛帅,郭凌雄. 基于逆模型预测控制的拟人驾驶控制[J]. 汽车工程, 2024, 46(4): 596-604.
[15]	张培兴,秦孔建,朱冰,赵健,范天昕,赵文博. 自动驾驶仿真多逻辑场景综合评价方法[J]. 汽车工程, 2024, 46(3): 375-382.