驾驶模拟器中车辆智能体的动力学仿真研究

在驾驶模拟器的虚拟仿真系统中,通过车辆智能体的动力学分析及运动方程计算,从而获得车辆智能体的加速度、速度、位置、发动机转速等的变化,实现车辆智能体的实时运动模拟,驱动视景系统的实时变化,并运用OpenGVS实现驾驶虚拟场景的实时生成和交互显示,由此实现驾驶仿真。     

基于模糊神经网络的自动驾驶决策系统研究

驾驶决策过程中,驾驶行为常受到人、车、路、环境等多源信息的刺激和影响。由于信息处理能力有限,驾驶员对多源信息无法同时实现知识获取与表示,以致有时不能准确、快速地进行驾驶决策,易引发交通事故。为了解决这一问题,针对驾驶员的控制行为进行了分析,并基于模糊控制和神经网络等理论知识,建立了智能车辆驾驶决策机制的模糊神经网络模型。该模型的建立有助于驾驶人员做出更安全、更有效的控制策略。仿真结果表明,用模糊神经网络推理系统有较高的推理速度,能实时、准确地识别当前的驾驶行为和预测下一时刻的驾驶决策,为智能车辆中自动驾驶系统的仿真和实现提供了理论指导和可行性依据。     

基于Direct3D的虚拟驾驶系统的智能体的实现

介绍DirectX的组件Direct3D,以DirectX为接口开发虚拟驾驶系统,应用Direct3D技术实现了驾驶模拟视景系统中智能体的运动仿真、智能体三维模型在虚拟场景中的显示变换,应用面向对象技术创建基于Direct3D的车辆智能体类库,应用这些类库在虚拟环境中实现汽车的虚拟驾驶模型。     

自动驾驶场景下的轨迹预测技术综述

轨迹预测是自动驾驶和智能交通领域的关键技术,对于车辆和移动行人轨迹的准确预测可提升自动驾驶系统对周围环境变化的感知能力,保障自动驾驶系统的安全性。数据驱动轨迹预测方法可捕捉智能体之间的交互特征,对场景内智能体历史运动和静态环境信息进行分析,准确预测智能体的未来轨迹。介绍轨迹预测的数学模型并将其分为传统轨迹预测方法和数据驱动轨迹预测方法 2类,阐述主流数据驱动轨迹预测方法所面临的智能体交互建模、运动行为意图预测、轨迹多样性预测、场景内静态环境信息融合等4个主要挑战,从轨迹预测数据集使用、性能评价指标、模型特点等方面出发对典型数据驱动轨迹预测方法进行分析与对比,总结归纳这些典型数据驱动轨迹预测方法针对上述挑战的解决思路和应用场景,并对自动驾驶场景下轨迹预测技术的未来发展方向进行展望。     

虚拟驾驶系统中智能汽车创建方法的研究

虚拟驾驶系统中智能自主汽车的驾驶水平对整个仿真系统的逼真性以及测试的可信性起着决定作用。本文通过对智能交通环境的研究，阐述了在虚拟驾驶仿真系统中智能汽车的建立方法．提出了利用数据库储存虚拟交通环境的道路信息，实现智能汽车对道路的识别。本文还提出了基于碰撞检测原理的视觉信息获取方法以及基于视觉信息的实时决策算法。实验结果表明，按照以上的方法，智能汽车能较真实的模拟人的视觉，做出人性化的驾驶行为，增强了智能汽车在复杂交通网络中行驶的正确性以及系统的快速性、稳定性,效果令人满意。     

虚拟驾驶的关键技术研究

虚拟驾驶是智能交通的重要组成部分。本文主要研究虚拟驾驶的行驶速度模型、行驶方向控制模型、碰撞检测算法的关键技术,分别从OpenGL和VRML两种方案实现的驾驶模型,从实现后的系统发现,应用OpenGL实现的虚拟驾驶系统使用更灵活,画面更逼真。最后对虚拟驾驶系统进行了展望,推广是可行的。     

虚拟驾驶的关键技术研究

虚拟驾驶是智能交通的重要组成部分。本文主要研究虚拟驾驶的行驶速度模型、行驶方向控制模型、碰撞检测算法的关键技术,分别从OpenGL和VRML两种方案实现的驾驶模型,从实现后的系统发现,应用OpenGL实现的虚拟驾驶系统使用更灵活,画面更逼真。最后对虚拟驾驶系统进行了展望,推广是可行的。     

驾驶行为智能分析的研究与发展

越来越多的研究者认识到: 深入地理解驾驶员的驾驶行为将有助于制定更为合理的交通法规和设计更加有效的智能驾驶导航系统, 从而达到减少交通事故提高交通效率的目的. 本文综述了已有的尝试, 较为完整地阐述了目前驾驶行为智能分析研究的四个主要方向: 纵向驾驶行为分析和避撞, 横向驾驶行为分析和道路偏离预警, 复杂驾驶行为学习以及驾驶员状态(疲劳、分心等)分析, 并指出了今后该领域(特别是国内)的可能发展方向.     

虚拟自主车智能驾驶行为的研究与实现

为了提高驾驶模拟系统的逼真度和可信度,以自主车驾驶行为作为研究对象,在结合宏观与微观信息进行虚拟道路环境建模的基础上,提出一种基于局部信息感知和知识随机决策的概率模拟方法,目的是提升虚拟车的自主智能性和实现驾驶行为的真实随机性。实验与应用结果表明,提出的方法能够较真实地再现车辆的自主驾驶行为,模拟现实中交通车辆环境,并提高了模拟系统的真实性、形象性和实时性。     

基于神经网络的自动驾驶模型及其虚拟实现

文章提出了一种基于人工神经网络的自动驾驶控制模型,并利用计算机虚拟技术模拟实现车辆的运行环境及其运行行为,并对自动驾驶控制模型进行了测试。试验表明这种自动驾驶模型能有效地指挥车辆的驾驶。     

基于VR的驾驶仿真及安全教育系统开发

针对全国道路交通事故高发现状及传统驾驶安全教育方式单一、培训效果差的缺点,基于虚拟现实技术（VR）,在引发交通事故人为因素理论基础上,开发驾驶仿真及安全教育系统。系统基于Unity3D引擎,构建了基于道路实景数据的虚拟场景,并联合SUMO实现了道路交通流仿真,通过VR技术仿真驾驶环境及驾驶行为;基于碰撞检测原理,建立了关卡违规触发机制,编码自定义屏幕空间渲染方式模拟驾驶员视觉效果,并构建了基于图像的交通事故现场三维全景,从认知、感知层面培训驾驶员安全驾驶。实用性测试结果表明,系统实现了不同道路场景、气象条件与交通状况下的驾驶模拟及安全培训,增强了使用者的学习兴趣,提高了使用者驾驶安全素养,具有较强的实用性。     

Parallel Planning: A New Motion Planning Framework for Autonomous Driving

Motion planning is one of the most significant technologies for autonomous driving. To make motion planning models able to learn from the environment and to deal with emergency situations, a new motion planning framework called as "parallel planning" is proposed in this paper. In order to generate sufficient and various training samples, artificial traffic scenes are firstly constructed based on the knowledge from the reality. A deep planning model which combines a convolutional neural network (CNN) with the Long Short-Term Memory module (LSTM) is developed to make planning decisions in an end-toend mode. This model can learn from both real and artificial traffic scenes and imitate the driving style of human drivers. Moreover, a parallel deep reinforcement learning approach is also presented to improve the robustness of planning model and reduce the error rate. To handle emergency situations, a hybrid generative model including a variational auto-encoder (VAE) and a generative adversarial network (GAN) is utilized to learn from virtual emergencies generated in artificial traffic scenes. While an autonomous vehicle is moving, the hybrid generative model generates multiple video clips in parallel, which correspond to different potential emergency scenarios. Simultaneously, the deep planning model makes planning decisions for both virtual and current real scenes. The final planning decision is determined by analysis of real observations. Leveraging the parallel planning approach, the planner is able to make rational decisions without heavy calculation burden when an emergency occurs.      

面向智能驾驶测试的仿真场景构建技术综述

随着汽车智能化程度的不断提高,智能汽车通过环境传感器与周边行驶环境的信息交互与互联更为密切,需应对的行驶环境状况也越来越复杂,包括行驶道路、周边交通和气象条件等诸多因素,具有较强的不确定性、难以重复、不可预测和不可穷尽。限于研发周期和成本、工况复杂多样性,特别是安全因素的考虑,传统的开放道路测试试验或基于封闭试验场的测试难以满足智能驾驶系统可靠性与鲁棒性的测试要求。因此,借助数字虚拟技术的仿真测试成为智能驾驶测试验证一种新的手段,仿真场景的构建作为模拟仿真的重要组成部分,是实现智能驾驶测试中大样本、极限边界小概率样本测试验证的关键技术,这对提升智能驾驶系统的压力和加速测评水平显得尤为重要。面向智能驾驶测试的仿真场景构建技术已成为当前汽车智能化新的研究课题和世界性的研究热点,作为一种新兴技术仍面临许多挑战。本文提出了面向智能驾驶测试的仿真场景构建方法,系统阐述了国内外研究工作的进展与现状,包括场景自动构建方法和交通仿真建模方法,重点分析一些值得深入研究的问题并围绕场景构建技术的发展趋势进行了讨论分析,最后介绍了团队相关研究在2020中国智能驾驶挑战赛仿真赛和世界智能驾驶挑战赛的仿真场景应用情况。     

驾驶行为的初步研究

疲劳驾驶对交通安全的危害日益严重，通过给驾驶行为建模来研究疲劳行为，主要介绍了给驾驶行为建模的主要流程，信号采集，对方向信号进行傅立叶级数展开来提取特征值，确定特征值的个数等。通过对驾驶员正常的驾驶行为进行建模，当驾驶员处于疲劳状况下驾车偏离正常模型时则能够有效的区别开。     

基于移动群智感知的极端驾驶行为感知方法

为提高驾驶安全性，减少交通事故的发生，本文提出一种基于移动群智感知的极端驾驶行为识别方法。对收集到的用户智能手机相关传感器的数据进行预处理，进而利用动态步数检测和随机森林等方法来识别乘客的用户情境信息。针对不同的极端驾驶行为，选取不同位置乘客的智能手机来进行数据的收集，综合考虑乘客的手机放置位置因素所造成的相关影响，实现多特征融合的极端驾驶行为感知。针对不同位置的乘客所感知的结果不一致问题，提出采用贝叶斯投票模型来解决。通过真实数据实验，结果表明本文方法能够有效地识别出司机的极端驾驶行为。     

Development and application of an integrated traffic simulation and multi-driving simulators

Professional virtual reality experiment tools, including driving simulators and traffic simulators, have their strengths and weaknesses. The integration of the two simulators will enhance the ability of both traffic modeling and driving simulation and present a new area of applications. This paper develops, implements, and validates an experimental platform that integrated a traffic simulator with multiple driving simulators (TSMDS). As a connected multi-user framework that allows multiple drivers who are simultaneously handling many driving simulators, it not only allows driver behavior experiments to be more accurate, controlled, and versatile but also simulates special driving behavior or multi-vehicle interactions under more realistic traffic flow environments. To validate the performance of TSMDS, 27 drivers were recruited to attend the lane changing experiments at a recurring on-ramp bottleneck and left-turn experiments at a two-phase signalized intersection in Shanghai. Both experiments required several drivers to drive the TSMDS and fulfill several complicated lane changing/crossing behaviors through their interaction. The results show that both the participants’ response and lane changing/crossing data that were obtained from the experiment are consistent with the field observation, which confirms the validity of the integrated platform.     

驾驶员多源信息融合协同仿真算法研究

交通仿真是交通控制与管理方案评价和优化的重要实验研究手段。传统的微观交通仿真模型,特别是刻画驾驶员行为的车辆跟驰模型,未能综合考虑交通环境中信息刺激的多源性和驾驶员任务集聚、协调反应的行为过程。文章利用Bayes方法描述驾驶员在复杂行驶环境中多源信息的融合过程,确定驾驶员任务集聚后对车辆应采取的驾驶行为。模型验证表明:交通仿真过程中,在车辆跟驰模型实施之前,利用Bayes算法模型化驾驶员在多源信息刺激下任务集聚、协同反应的过程是行之有效的。     

ObjectGAN：自动驾驶评估数据集构建

自动驾驶评估数据集的构建在很大程度上取决于能否覆盖复杂多样的交通场景。但是通过人工获取数据工作量巨大,且难以覆盖所有场景,在这种情况下,虚拟引擎可以提供极大的便利。利用UE4（Unreal Engine 4）虚拟引擎构建常见驾驶场景,并结合设计的后处理系统和自动标注算法高效获取、标注复杂场景图像。针对虚拟引擎生成图像逼真度不足这一问题,搭建ObjectGAN域适应模型,基于虚拟数据重建逼真图像,该模型针对目标数据,引入特征一致性监督,无须另外标注信息便可有效缩小与真实数据间域差异。创建了一个新颖的复杂场景虚拟自动驾驶数据集,其中包含多种天候、光照、驾驶场景数据。通过该数据集验证ObjectGAN模型可以有效缩小虚拟数据与真实数据间域差异,经过域适应处理后的数据可以在复杂场景中对主流检测器进行有效的性能评估。     

基于协作反馈控制算法的车联网行车安全动态强化模型

针对车联网（IoV）环境下,单车的信息采集和处理能力不足以满足时间敏感的行车安全应用需求,需要通过多车协作增强车间信息共享和信道接入能力等问题,提出一种基于协作反馈控制算法的行车安全动态强化模型。首先,提出虚拟车队协作模型,提升交通信息的采集精度,扩大采集范围,建立车间的稳定协作关系,在形成协作虚拟车队的同时降低信道拥塞;然后,实现一个针对消息传输和驾驶控制的联合优化模型,通过异构交通数据的深度融合最大化IoV的安全效用;最后,在对车流量时空变化进行预测的基础上,提出自适应的反馈控制模型实时调整驾驶安全策略。仿真结果表明,所提出的行车安全动态强化模型在各种车流分布模型下,均能够取得良好的性能指标,可以有效支持驾驶辅助控制系统,在保障行车安全的同时降低信道拥塞。