中国国际汽车照明论坛(IFAL)

IFAL2024邀请函
2024 IFAL 邀请函V4.6(1).pdf
5.89MB下载
演讲者简历 speaker biography_V1.1.docx
61.46KB下载
IFAL 摘要模板.doc
32.0KB下载

【行业动态】融合数字孪生的智能驾驶仿真测试方法研究

图片

来源:智能汽车设计


仿真技术作为智能驾驶技术测试的重要手段,与传统场地测试相比具有效率高、安全高等优势,逐渐成为智能驾驶的主流研究方向之一。基于数字孪生的智能驾驶仿真测试技术,提出一种基于数字孪生的交通仿真研究方法,完成人- 车-路-网的全息仿真映射,构造可配置的场景案例串联测试方式;同时在安全、环保、效率等维度设计评估优化方法,实现智能驾驶所需的感知、决策、控制的闭环仿真测试,为智能驾驶方案落地提供借鉴和参考。


1前言


随着电动化、智能化、网联化汽车技术的发展,智能驾驶汽车成为汽车发展的趋势,国内外相关企业和投资机构纷纷在智能驾驶领域进行了巨大投入,力求快速的推动智能驾驶汽车相关产业的快速落地。然而,智能驾驶车辆在近年来发生的事故使大家认识到当前的智能汽车技术仍存在不足,对智能驾驶的安全产生质疑,如何在未来保证智能驾驶汽车的安全性,是智能驾驶汽车亟需解决的难点之一。


目前自动驾驶汽车测试方法主要分为基于场景的测试方法和基于里程的测试方法两大类。基于场景的测试方法是通过预先设定的场景,要求被测车辆完成某项特定目标或任务而对其进行测试的方法。基于里程的测试方法是让被测车辆在一定的环境条件下连续行驶,而不预先设定其测试任务或目标。里程测试主要针对车辆的综合性能,一般在车辆开发的最后阶段进行,要求车辆具备较为完整的功能和较可靠的性能。里程测试的主要弊端在于测试周期长、效率低、测试成本非常高,同时必须考虑安全风险问题以及法律法规的限制。相比于里程测试,基于场景的测试方法应用更加灵活,测试效率高且更有针对性。测试场景的筛选,缩短了里程测试过程中大量的无风险里程,有助于智能驾驶汽车功能的快速迭代和完善。在智能驾驶汽车整个开发过程中,只有综合运用场景测试和里程测试,才能充分测试和评估自动驾驶功能的各方面性能。基于此,针对场景测试基础理论、应用方法、技术的研究越来越受到产业界和学术界的重视。但是,场景测试目前也同样存在一些问题,比如真实的交通环境复杂多变,交通场景几乎不可能穷尽所有的交通情况,类似雨、雪、强光等自然环境因素也难在物理环境下进行完全的复现,同时一些危险场景对车辆和测试人员也会存在一定的风险等等。


如何解决这些问题,行业研究人员逐渐尝试用虚拟仿真交通场景代替实车测试场景,虚拟测试逐渐成为智能驾驶车辆的安全验证的重要手段。但是,仿真测试方案仍然存在一些问题,比如模型精度不够、执行机构响应误差、仿真测试标准等一系列问题,导致测试结果与实车测试会有一些偏差,并不能完全的代替实车测试。本文提出将虚拟仿真测试、实车测试融合于一体打造数字孪生的智能驾驶仿真系统用实际测试车辆代替虚拟模型解决目前智能驾驶虚拟模型精度不够的问题。


2 智能驾驶仿真测试方法


2.1 智能驾驶仿真技术


智能驾驶的核心技术模块,包括环境感知、决策和车辆控制三大核心模块,以及衍生出的功能安全和信息安全等领域。其中不管是环境感知技术,还是车辆控制技术,都包含大量的算法开发,而算法的研发是一个不断迭代的过程,通过智能驾驶仿真技术来验证智能驾驶算法的功能完备性,从而不断的优化相关算法。智能驾驶仿真指通过车辆动力学仿真搭建动力学模型,通过物理环境仿真和交通流仿真搭建道路场景,通过传感器仿真搭建传感器数学模型,在智能驾驶仿真系统中测试智能驾驶车辆的感知,决策和控制,验证智能驾驶车辆的功能实现和性能表现。研究人员在虚拟仿真测试中能够通过快速配置道路网络、驾驶场景和车辆配置,以及配置雨、雪、光照等自然环境条件,以相对较少的人力、财力和尽可能快的速度搭建测试场景,再开发前期全面验证智能汽车的安全性。


2.2 数字孪生技术


数字孪生是指用数字化信息表示现实存在的物理世界,同时能够与物理世界同步映射以及模拟运行系统的整个生命周期。数字孪生的概念最早是在2010年NASA的空间技术路线图中提出,目的是使用数字孪生来实现飞行系统的全面诊断和预测能力,以确保系统在整个生命周期中持续安全运行。数据孪生作为一种能够实现将物理世界向数字化空间映射的关键技术,能用数字化形式近乎实时地模拟物理实体的情况,可以完成交通场景的高精度还原,实现雨、雪、光照等自然环境以及道路、基础设施等交通要素的逼真模拟,为智能驾驶测试提供了新思路。


3 数字孪生技术实现方法


本文基于数字孪生技术,提出一套虚实融合的智能驾驶仿真测试系统,其总体系统框图如图1所示。

图片

图1 基于数字孪生技术仿真系统框图


基于数字孪生技术的仿真系统包含两部分内容一是实验室相关设备和软件,二是测试车以及相关设备。


实验室硬件设备由仿真平台和通讯模块组成,仿真软件集成在仿真平台中包含有动力学软件、场景仿真软件和涵盖算法并兼顾不同软件间通讯功能的系统软件。实验室仿真平台可以完成虚拟场景下的智能驾驶算法测试。实验室通讯模块主要负责仿真平台与测试车之间的信号传递,能够接收车载通讯模块发送过来的车辆位置信息和车辆状态信息,同时向车载通讯模块传递车辆控制信号。


测试车设备包括车辆本身、车辆数据采集设备、GPS车辆定位设备、车载通讯设备。车辆数据采集设备采集车身姿态信息(俯仰角、横摆角)、速度信息、加速度信息。GPS模块采集车辆位置信息。车载通讯模块与实验室通讯模块功能相同,发送和接收信号正好相反。


数字孪生仿真系统是如何与真实的物理环境形成交互的呢,首先通过传感器采集真实物理环境的物理信息,采集的数据格式是点云数据,通过采集的点云数据来搭建场景模型,通过特征提取、语义转换、孪生构建等技术,构建与物理世界高度还原的高精地图;然后再根据测试用例需求匹配相应的测试条件,包括虚拟交通流、虚拟交通数字信号、虚拟天气环境等信息,构造与物理世界孪生的数字场景;最后在系统仿真场景和真实物理场景下,通过真实环境下的实际测试车与虚拟环境下的动力学模型进行数据信息的交互,形成数据闭环,验证自动驾驶算法可靠性。其流程如图2所示。


图片

图2 智能驾驶数字孪生流程


3.1 高精地图的构建


高精地图包含道路信息和道路基础设施信息,高精地图是真实物理世界的高精度还原,与传统的导航地图相比,其涵盖的物理信息更为精确。高精地图的数据组成包括道路网、车道网、交通基础设施三个模块。高精地图的制作过程包含点云采集、地表提取、语义转换和道路孪生四个步骤。通过特制的数据采集车采集高精度的点云信息,然后对点云数据进行预处理,标注出道路要素信息以及道路与道路之间的连接关系,最后输出智能驾驶系统可识别的高精度地图。


3.1.1 点云采集


现阶段高精地图所需原始数据是通过特制的数据采集车在物理道路上实车采集获得的点云数据。采集车的数据采集设备主要由高清摄像头、高分辨率激光雷达、差分GPS(高精度无线电导航的定位系统)和车辆惯性传感器组成。激光雷达通过扫描实际物理环境,同时运用飞行时间技术原理计算激光的往返时间或相位差生成具备位置信息的三维点云数据。摄像头负责拍摄标识标牌等道路属性。差分GPS接收卫星信号和最近基站信号,通过三角定位原理推算出车辆的位置坐标。惯性传感器利用加速度的原理计算物体在空间运动的状态采集车辆姿态数据,如加速度、角速度,用于计算GPS信号短暂丢失时的车辆运动状态,从未推算出车辆位置信息。由于采集的数据是通过不同传感器获得的数据,不同传感器数据获取原理不同,为了能实现数据信息的统一,首先需要对数据进行时钟同步、激光雷达点云对齐(去畸变)处理。预处理完成之后,再通过定位与建图算法完成点云提取。同时通过算法计算出车辆行驶轨迹,激光雷达和惯性传感器一起提供了里程计约束,GPS 提供了车辆姿态的直接观测约束,点云的回环检测算法提供了回环约束,将以上约束融合在一起可以得到车辆行驶轨迹。最后将处理后的激光点云与优化后的轨迹进行叠加,最终生成三维点云地图。


3.1.2 特征提取


基于点云地图构建开发数字孪生地图模型,如果点云地图原始数据量太大,将消耗更多硬件资源,降低处理器处理数据的能力。为了更好的利用硬件资源可以对原始点云数据进行降采样处理,通过渐进形态滤波和切割点云文件来完成地表模型的提取,最终实现数据处理与硬件资源之间的平衡。


3.1.3 语义标注


语义标注是指在地图中标注关键的元素信息,以及相应的位置信息智能驾驶场景中的关键元素有道路标识牌、路灯、安全岛、绿化带、里程桩、杆状物路灯、摄像头、交通护栏等信息。为方便后续实体模型的对齐,针对地表提取后的点云地图,标注出关注元素的关键点信息。


通过道路建模软件最终生成与实际道路一致的虚拟道路模型,首先从原始点云数据提取包含路面要素的投射影像生成参考地图,然后自动提取相关的道路关键信息,包含道路结构点、车道边缘线、车道线、人行横道线、路面指示标线等作为参考信息,最后通过道路建模软件生成道路模型。


3.2 交通设施建模


除高精地图包含的静态道路网格和交通设施位置外,交通场景还包括两大块:一是交通实体类的物理信息,二是交通灯类的逻辑元数据。物理信息包含3D模型的形状、外观材质,以及通过高精地图中物体的位置、大小和朝向等信息确定的与物理世界相对应的仿真坐标位置。交通灯类的逻辑元数据包括标识牌的数据信息、交通灯的属性配置和红绿灯逻辑信息等。


3.3 匹配测试条件


测试条件指测试时测试车与其它交通参与者的动态状态,如开始测试时的测试车和交通参与者的速度、位置、车辆姿态、行为轨迹等。孪生场景是智能驾驶汽车与其行驶环境各组成要素在一段时间内的总体动态描述,具有无限丰富、极其复杂、难以预测、不可穷尽等特点。在完成高精地图与孪生场景要素建模后,还需要一个场景描述文件来串联各个实体模块,定义各交通要素状态。包括以下四个部分


(1)道路环境:路面状况,传感器范围、红绿灯时序变化等。

(2)交通流:行人及其他车辆的速度、姿态及起始点位置等。

(3)天气环境与光照场景:包括早晨、中午、傍晚、黑夜等不同光照,雨天、雾天等特殊天气场景等。

(4)本车状态:主要包括主车姿态、初始位置,在场景中的起点和终点等。


3.4 评估方法


评价指标,包括基于功能的评价指标和基于场景的评价指标。基于功能的评价指标根据驾驶功能的不同而不同,主要根据已有的相关标准,结合测试的具体情况进行评价,反应了所测车辆对测试功能的完成度的评价。基于场景的评价指标则反应了场景的复杂度,根据场景的不同复杂程度,判断该场景下的评价得分再所有测试用例中的占比,从而得出最终的综合性评价结果。


场景数据库中的每一个测试用例都有对应的场景复杂度即基于场景的评价指标,根据测试功能的不同,从场景数据库中提取符合该功能的测试用例,并根据相应的基于功能的评价指标对该测试功能进项评价,最后结合场景复杂度得出最终评价得分。这种仿真测试评价体系流程能很好地利用虚拟仿真易参数化的优势,无须传感器就能获得车辆行驶数据,不仅能与实地测试相互对应,也能反应日常驾驶或危险驾驶下的性能。


4 结束语


与智能驾驶产业的快速发展相比,目前仿真测试手段远远落后于产业增长水平。随着仿真测试技术和动态渲染技术的飞速发展,基于数字孪生技术的智能驾驶仿真测试也越来越受到行业的认可,逐步成为算法测试方法中的重要方式,数字孪生技术为我们带来了多维度和高实时性的交通场景,仿真过程与实车测试相比更经济也更安全,可重复性更高。仿真结果与纯软件仿真相比更贴近真实值。但是目前传感器模型的数字化构建技术还处于探索阶段,同时传感器的模型仿真精度,通讯信号的数据延迟也是制约数字孪生技术的一大障碍,下一步将围绕建模方式、模型精度、信号延迟等领域继续开展工作。


参考文献:

[1]叶少槟,梁恩云,高 琛,谭北海. 融合数字孪生的自动驾驶场景仿真模型构建研究综述[J].现代计算机,2022,28(2):1-11.

[2]冯屹,王兆. 自动驾驶测试场景技术发展与应用[M]. 机械工业出版社,2020.

[3]李亚男.智能网联汽车数字孪生测试理论和技术研究 [D]吉林. 吉林大学,2020(08).

[4]赵龙刚,刘汉生,张小平,王峰. 基于数字孪生的车路协同虚拟仿真平台[J].移动通信,2021,45(6):07-12.