面向自动驾驶仿真的动态驾驶环境拓扑建模方法研究

doi:10.19562/j.chinasae.qcgc.2025.08.002

摘要/Abstract

摘要：

针对自动驾驶系统开发对于仿真工具的需求，面向当前复杂交通场景中驾驶关联信息组织缺乏完备、精简的表达模型和快速索引方法，提出了一种基于拓扑心理学原理的动态环境建模方法。通过建立类人思考模式的环境表征模型，类人记忆模式的信息储存及索引方法，实现驾驶决策所需环境信息的有效组织管理和快速筛选提取。本模型既能够用于交通仿真环境信息组织，又可以用于无人驾驶系统驾驶环境信息表征。在VTD仿真环境中建立了两种典型场景的动态驾驶环境模型，验证了本文方法的有效性。

关键词: 自动驾驶系统, 动态驾驶环境, 图数据库, 拓扑心理学, 格式塔心理学

Abstract:

To meet the requirements of simulation tools for automated driving system development， for the lack of complete and concise expression models and fast indexing methods for the driving related information in complex traffic scenarios， a dynamic driving environment modeling method based on topological psychological principles is proposed. With the environment representation model based on humanlike thinking patterns and the information storage and indexing methods based on humanlike memory patterns， effective organization， management， and rapid screening and extraction of environmental information required for driving decisions can be achieved. The model can be used for both traffic simulation and automated driving system. Two dynamic driving environment models of typical scenarios are established in VTD， and the effectiveness of the proposed method is verified.

Key words: automated driving system, dynamic driving environment, graph database, topological psychology, Gestalt psychology

贾鑫,张强,张志恒,高金鹏,管欣. 面向自动驾驶仿真的动态驾驶环境拓扑建模方法研究[J]. 汽车工程, 2025, 47(8): 1448-1458.

Xin Jia,Qiang Zhang,Zhiheng Zhang,Jinpeng Gao,Hsin Guan. Research on Topology Modeling Method of Dynamic Driving Environment for Automated Driving Vehicle Simulation[J]. Automotive Engineering, 2025, 47(8): 1448-1458.

图/表 23

图1

图2

图3

图4

图5

表1

图6

表2

表3

表4

表5

表6

表7

图7

图8

表8

图9

表9

表10

表11

表12

表13

图10

参考文献 24

[1]	The Working Party on Automated/Autonomous and Connected Vehicles. New assessment/test method for automated driving （NATM） guidelines for validating automated driving system （ADS）［C］. World Forum for Harmonization of Vehicle Regulations， Inland Transport Committee， ECE， Geneva， 2022，6：21-24.
[2]	林洪振，杨孟，田磊，等. 自动驾驶仿真测试平台发展现状与展望［J］. 重型汽车， 2023（1）： 28-29.
	LIN Hongzhen， YANG Meng， TIAN Lei， et al. Development status and prospects of autonomous driving simulation testing platform ［J］. Heavy Truck， 2023（1）： 28-29.
[3]	TERAPAPTOMMAKOL W， PHAOHARUHANSA D， KOOWATTANASUCHAT P， et al. Design of obstacle avoidance for autonomous vehicle using deep Q-network and CARLA simulator ［J］. World Electric Vehicle Journal， 2022， 13（12）： 239.
[4]	WANG Fengjiao， WANG Yaofu， ZHAO Pengchao， et al. Simulation and verification method based on VTD for the fusion of vehicle intelligence and V2X networking ［C］. 3rd International Conference on Signal Image Processing and Communication （ICSIPC 2023）， 2023.
[5]	纪嘉树. 基于多传感器融合的无人驾驶环境感知技术研究［D］. 济南：山东大学， 2022.
	JI Jiashu. Research on environment perception technology of unmanned driving based on multi-sensor fusion ［D］. Jinan： Shandong University， 2022.
[6]	杨飞，龚小谨，等. 基于三维激光雷达的动态障碍实时检测与跟踪［J］. 浙江大学学报（工学版）， 2012， 46： 1565-1571.
	YANG Fei， GONG Xiaojin， et al. Real time detection and tracking of dynamic obstacles based on 3D LiDAR ［J］. Journal of Zhejiang University （Engineering Edition）， 2012， 46： 1565-1571.
[7]	王科未. 基于多传感融合的智能汽车驾驶场景理解与建模研究［D］. 武汉：武汉理工大学， 2023.
	WANG Kewei. Research on driving scene perception and modeling using multi-sensor fusion for autonomous vehicles ［D］. Wuhan： Wuhan University of Technology， 2023.
[8]	卢鑫. 动态环境下无人驾驶车辆路径规划研究［D］. 天津：天津大学， 2022.
	LU Xin. Path planning of autonomous vehicle in dynamic environment ［D］. Tianjin： Tianjin University， 2022.
[9]	BENDER P， ZIEGLER J， STILLER C. Lanelets： efficient map representation for autonomous driving ［J］. 2014 IEEE Intelligent Vehicles Symposium Proceedings， 2014，13（2）：786-798.
[10]	祖似杰，张攀，罗跃军. 基于车道驾驶态势的拓扑构建与路径规划［J］. 地理空间信息， 2018， 16（5）： 53-56，9.
	ZU Sijie， ZHANG Pan， LUO Yuejun. Topology construction and path planning based on lane driving situation ［J］. Geospatial Inforation， 2018， 16（5）： 53-56，9.
[11]	BÉTAILLE D， TOLEDO-MOREO R. Creating enhanced maps for lane-level vehicle navigation ［J］. IEEE Transactions on Intelligent Transportation Systems， 2010，11（4）： 786-798.
[12]	GUAN Yanchen， LIAO Haicheng， LI Zhenning， et al. World models for autonomous driving： an initial survey ［J］. arXiv： 2403.02622v3 ［cs. LG］， 2024.05.07.
[13]	WANG Xiaofeng， ZHU Zheng， HUANG Guan， et al. DriveDreamer： towards real-world-driven world models for autonomous driving ［J］. arXiv： 2309.09777v2 ［cs. CV］， 2023.11.27.
[14]	HU A， RUSSELL L， YEO H， et al. Gaia-1： a generative world model for autonomous driving ［J］. arXiv： 2309.17080v1 ［cs. CV］， 2023.9.29.
[15]	BOGDOLL D， YANG Y， JOSEPH T， et al. MUVO： a multimodal generative world model for autonomous driving with geometric representations ［J］. arXiv： 2311.11762v4 ［cs. LG］， 2023.4.24.
[16]	ZHENG W， CHEN W， HUANG Y， et al. OccWorld： learning a 3D occupancy world model for autonomous driving ［J］. arXiv： 2311.16038v1 ［cs. CV］， 2023.11.27.
[17]	LI Q， JIA X， WANG S， et al. Think2drive： efficient reinforcement learning by thinking in latent world model for Quasi-realistic autonomous driving （in CARLA-v2）［J］. arXiv： 2402.16720v2 ［cs. RO］， 2024.7.20.
[18]	考夫卡·库尔特. 格式塔心理学原理［M］. 李维，译. 北京：北京大学出版社， 2019.
	KOFFKA Kurt. Principles of Gestalt psychology ［M］. LI Wei，transl. Beijing： Peking University Press， 2019.
[19]	勒温·库尔特. 拓扑心理学原理［M］. 高觉敷，译. 北京：商务印书馆出版社， 2003.
	LEWIN Kurt. Principles of topological psychology ［M］. GAO Juefu，transl. Beijing： Commercial Press Publishing House， 2003.
[20]	MAZZEGA J， LIPINSKI D， EBERLE U， et al. PEGASUS METHOD-an overview［R］. 2019.https：//www.researchgate.net/publication/338019746_PEGASUS_METHOD.
[21]	OpenDrive. OpenDrive \| unlimited online storage， backup & cloud content management ［R］. opendrive.com， 2024.
[22]	詹骄，郭迟，雷婷婷，等. 自动驾驶地图的数据标准比较研究［J］. 中国图象图形学报， 2021， 26（1）： 36-48.
	ZHAN Jiao， GUO Chi， LEI Tingting， et al. Comparative study on data standards of autonomous driving map ［J］. Joural of Image and Graphics， 2021， 26（1）： 36-48.
[23]	王宁，张伟，王佳慧，等. 一种关系—图数据库混合存储系统设计［J］. 北京信息科技大学学报（自然科学版）， 2022， 37（1）： 58-64，70.
	WANG Ning， ZHANG Wei， WANG Jiahui， et al. Design of a hybrid storage system based on the relational database and graph database ［J］. Journal of Beijing Information Science & Technology University， 2022， 37（1）： 58-64，70.
[24]	洪峰. 智能汽车交通车辆的综合认知及其虚拟测试方法研究［D］. 长春：吉林大学， 2018.

类名	实体名称
地面区域	路段1
交通区域	车道-1	车道-2	路途1
移动对象	车辆3	车辆4	车辆5	行人1
静止对象	交通桩1

属性名称	属性数据
类型	路段
ID	1
道路等级	1
长度	300
宽度	16
形状	｛（0，0） …（150，0）… （300，0）｝
包含	车道-1、车道-2

属性名称	属性数据
类型	车道
ID	-2
长度	300
宽度	3.75
限速	60
左边界	白色虚
右边界	白色实
行驶方向	直行
形状	｛（0，-5.75） … （150，-5.75） … （300，-5.75）｝
包含	车辆4、车辆5、交通桩1、行人1

类型	路途
ID	1
长度	150
宽度	7.5
限速	60
形状	｛（0，-4） … （150，-4） … （300，-4）｝
包含	车道-1、车道-2

属性名称	属性数据
类型	车辆
ID	3
长、宽、高	4、1.6、1.5
位置信息	（100，-2）
速度	55
运动方向	直行