一种用于自动驾驶汽车仿真的环境传感器模拟方法技术

本发明专利技术提出的一种用于自动驾驶汽车仿真的环境传感器模拟方法，包括以下步骤：1)在自车的配置文挡中设置传感器配置信息并定义探测目标类型；2)引入测量误差，分别构建各传感器的测量量模型和探测类型模型；3)设定仿真环境下自车探测范围内所有探测目标的真实信息，并筛选自车探测范围内的可探测目标；4)将筛选的自车探测范围内各可探测目标的真实信息分别输入步骤2)构建的相应模型中，得到不同传感器对各可探测目标相对于自车的测量量估计值作为结果输出。本发明专利技术提供的环境传感器建模方法具有通用性好、仿真精度优化、计算效率高的特点。

An environmental sensor simulation method for automatic driving vehicle simulation

【技术实现步骤摘要】
一种用于自动驾驶汽车仿真的环境传感器模拟方法
本专利技术属于自动驾驶汽车仿真建模领域，特别涉及一种用于自动驾驶汽车仿真的环境传感器模拟方法，基于特征参数建模用以实现更高精度的仿真与较高的计算效率。
技术介绍
随着自动驾驶技术的开发逐渐从低级别的辅助自动驾驶向高级别的无人自动驾驶技术迈进，算法在仿真环境下的测试与验证工作变得越来越重要。高级别自动驾驶技术在实际道路上的测试验证工作十分困难。为了减少测试成本，提高算法的开发效率，计算机仿真技术逐渐成为了自动驾驶测试技术中不可或缺的一部分。因此，国内外的研究人员都开始将目光投向自动驾驶仿真平台的开发工作上。目前，主流的自动驾驶仿真平台主要分为机器人仿真平台、3D游戏以及专业仿真平台三种。机器人仿真平台多用于自动驾驶技术和机器人技术的交叉研究当中，但作为主要面向室内场景的仿真平台来说，其对室外交通场景的构建方面，存在着仿真物件建构的问题，例如车辆物件建构、行人物件建构、道路建构、交通流建构等问题。包含交通场景的3D游戏对于自动驾驶开发人员来说是一种能够快速构建仿真测试实验的工具，这类工具的特点在于其游戏环境中存在有相当真实的虚拟交通场景，开发人员能够直接在这类场景下进行算法的测试工作。然而由于商业游戏的封闭性，开发人员难以获取到完整的仿真数据，也无法做到对仿真的完全控制。专业仿真平台包括添加了自动驾驶测试功能的传统车辆仿真平台以及专为自动驾驶技术所开发的自动驾驶仿真平台。这类仿真平台为自动驾驶技术提供了更加专业的仿真测试功能，专门针对自动驾驶技术开发过程中所面临的环境、交通、传感器和车辆模型这四大难题进行开发设计。这类专业仿真平台随着自动驾驶技术的不断发展逐渐成为了开发人员的主流选择。但与此同时，随着业界和学界的研究重点逐渐从低级别的自动驾驶向高级别的自动驾驶迈进，开发人员对于仿真环境的真实性和仿真平台的仿真效率提出了更高的要求，现有专业软件在平衡二者的工作上仍留有极大的提升空间，以Autoware.AI为例。Autoware.AI(https://www.autoware.ai/)是基于ROS的开源软件，使自动驾驶汽车能够在仿真环境下在城市道路和高速公路上进行测试。由摄像头和LiDAR设备结合3D高清地图数据实现目标探测。其使用方法为深度学习和传感器融合方法。目标跟踪和预测通过卡尔曼滤波算法实现，车道网络信息由3D高清晰度地图数据提供。目前这类方法采用图像、激光点云、3D高清地图，造成存储数据量庞大的问题，使用庞大网路的深度学习，虽仿真环境的真实性较高，但仿真平台的仿真效率较低，不利于短时间大规模的测试情景。综上，亟需一种能够平衡仿真环境的真实性和仿真平台的仿真效率用于自动驾驶汽车仿真的环境传感器模拟方法。
技术实现思路
本专利技术的目的是提供一种平衡自动驾驶汽车仿真环境真实性和仿真平台效率的环境传感器模拟方法，针对智能车的仿真平台面临计算负荷随仿真真实度增长的问题，利用外部特性为传感器建模，从而提高仿真真实性，达到较好的计算效率。本专利技术具有通用性好、仿真精度优化、计算效率高的特点。为实现上述目的，本专利技术采用如下技术方案：本专利技术提出的一种用于自动驾驶汽车仿真的环境传感器模拟方法，所述自动驾驶汽车上装载有多种传感器，包括激光雷达、毫米波雷达和摄像头，其特征在于，所述用于自动驾驶汽车仿真的环境传感器模拟方法包括以下步骤：1)在自车的配置文挡中设置传感器配置信息并定义探测目标类型1-1)设置传感器配置信息，包括传感器类型，以及自车坐标系下传感器的探测角度、探测半径、横向安装位置和纵向安装位置；1-2)将传感器探测目标类型分为道路使用者与静态物体两类，分别进行如下定义：1-2-1)道路使用者，包括若干车辆和行人令各车辆分别由长方体目标框表征，令车辆的属性包括车辆类型和车辆的状态信息，该状态信息包括车辆目标框的长和宽，大地坐标系下车辆的位置、速度、加速度、横摆角和横摆角速度；令各行人分别由圆柱体目标框表征，令行人的状态信息包括行人目标框的半径，以及大地坐标系下行人的位置、速度和加速度；1-2-2)静态物体，包括若干静态障碍物、车道线、交通号志和红绿灯令各静态障碍物分别由长方体或圆柱体目标框表征；其中，由长方体目标框表征的静态物体的状态信息包括长方体目标框的长和宽，以及大地坐标系下静态物体的位置和朝向角；由圆柱体目标框表征的静态物体状态信息包括圆柱体目标框的半径和大地坐标系下静态物体的位置；令各车道线分别由通过摄像头对相应车道线进行采样所确定的若干个采样点表征，令车道线的属性包括车道线相对自车的方位、车道线的类型、以及由车道线上各采样点在自车坐标系下相对自车的位置所构成的车道线状态信息；所述交通号志由禁止交通标志和强制性标志组成，所述禁止交通标志包括限速标志和停止标志，所述强制性标志包括方向号志；令交通号志的属性包括交通号志的类型和交通号志的状态信息，令限速标志的状态信息为其限速大小，以正整数表示，令停止标志的状态信息为0，令强制性标志的状态信息为允许车辆行驶的方向；令所述红绿灯的状态信息为各信号灯的颜色；2)引入测量误差，对数值类测量量分别构建各传感器的测量量模型，对非数值类测量量即探测目标类型分别构建各传感器的探测类型模型，分别描述如下：2-1)构建各传感器的测量量模型2-1-1)对于用目标框表征的探测目标分别构建激光雷达和摄像头测量量模型，表达式如下：式中，角标w取lidar时代表激光雷达、取camera时代表摄像头，角标m表示激光雷达或摄像头测量的一个探测目标的测量量总个数；为激光雷达或摄像头测量量模型的输出矩阵，作为仿真环境下激光雷达或摄像头各测量量的估计值；statew为仿真环境下与激光雷达或摄像头对应的各测量量的真实值statew_g构成的矩阵，作为激光雷达或摄像头测量量模型的输入矩阵；Ew为与各测量量的真实值statew_g对应的数值误差Ew_g构成的数值误差矩阵，令各数值误差分别均为零均值且彼此独立的高斯白噪声，为激光雷达或摄像头的各测量量的方差；2-1-2)构建车道线曲线检测模型，表达式如下：式中，为车道线曲线检测模型确定的车道线状态矩阵，通过在仿真环境下车道线的真实状态矩阵Linestate中引入车道线数值误差矩阵ELine得到；pointr为构成车道线真实状态矩阵Linestate的第r个采样点在自车坐标下相对自车的位置，即pointr＝(xLinePoint，r，yLinePoint，r)；Eline-r为与pointr相对应的车道线数值误差，各车道线数值误差均分别为零均值且彼此独立的高斯白噪声，为车道线各采样点测量值的方差；对车道线状态矩阵中的各采样点进行曲线拟合，得到车道线曲线的估计值作为车道线曲线检测模型的输出；2-1-3)构建毫米波雷达测量量模型构建极坐标系下毫米波雷达测量量模型，表达式如下：...

【技术保护点】
1.一种用于自动驾驶汽车仿真的环境传感器模拟方法，所述自动驾驶汽车上装载有多种传感器，包括激光雷达、毫米波雷达和摄像头，其特征在于，所述环境传感器模拟方法包括以下步骤：/n1)在自车的配置文挡中设置传感器配置信息并定义探测目标类型/n1-1)设置传感器配置信息，包括传感器类型，以及自车坐标系下传感器的探测角度、探测半径、横向安装位置和纵向安装位置；/n1-2)将传感器探测目标类型分为道路使用者与静态物体两类，分别进行如下定义：/n1-2-1)道路使用者，包括若干车辆和行人/n令各车辆分别由长方体目标框表征，令车辆的属性包括车辆类型和车辆的状态信息，该状态信息包括车辆目标框的长和宽，大地坐标系下车辆的位置、速度、加速度、横摆角和横摆角速度；令各行人分别由圆柱体目标框表征，令行人的状态信息包括行人目标框的半径，以及大地坐标系下行人的位置、速度和加速度；/n1-2-2)静态物体，包括若干静态障碍物、车道线、交通号志和红绿灯/n令各静态障碍物分别由长方体或圆柱体目标框表征；其中，由长方体目标框表征的静态物体的状态信息包括长方体目标框的长和宽，以及大地坐标系下静态物体的位置和朝向角；由圆柱体目标框表征的静态物体状态信息包括圆柱体目标框的半径和大地坐标系下静态物体的位置；/n令各车道线分别由通过摄像头对相应车道线进行采样所确定的若干个采样点表征，令车道线的属性包括车道线相对自车的方位、车道线的类型、以及由车道线上各采样点在自车坐标系下相对自车的位置所构成的车道线状态信息；/n所述交通号志由禁止交通标志和强制性标志组成，所述禁止交通标志包括限速标志和停止标志，所述强制性标志包括方向号志；令交通号志的属性包括交通号志的类型和交通号志的状态信息，令限速标志的状态信息为其限速大小，以正整数表示，令停止标志的状态信息为0，令强制性标志的状态信息为允许车辆行驶的方向；/n令所述红绿灯的状态信息为各信号灯的颜色；/n2)引入测量误差，对数值类测量量分别构建各传感器的测量量模型，对非数值类测量量即探测目标类型分别构建各传感器的探测类型模型，分别描述如下：/n2-1)构建各传感器的测量量模型/n2-1-1)对于用目标框表征的探测目标分别构建激光雷达和摄像头测量量模型，表达式如下：/n...

【技术特征摘要】
1.一种用于自动驾驶汽车仿真的环境传感器模拟方法，所述自动驾驶汽车上装载有多种传感器，包括激光雷达、毫米波雷达和摄像头，其特征在于，所述环境传感器模拟方法包括以下步骤：
1)在自车的配置文挡中设置传感器配置信息并定义探测目标类型
1-1)设置传感器配置信息，包括传感器类型，以及自车坐标系下传感器的探测角度、探测半径、横向安装位置和纵向安装位置；
1-2)将传感器探测目标类型分为道路使用者与静态物体两类，分别进行如下定义：
1-2-1)道路使用者，包括若干车辆和行人
令各车辆分别由长方体目标框表征，令车辆的属性包括车辆类型和车辆的状态信息，该状态信息包括车辆目标框的长和宽，大地坐标系下车辆的位置、速度、加速度、横摆角和横摆角速度；令各行人分别由圆柱体目标框表征，令行人的状态信息包括行人目标框的半径，以及大地坐标系下行人的位置、速度和加速度；
1-2-2)静态物体，包括若干静态障碍物、车道线、交通号志和红绿灯
令各静态障碍物分别由长方体或圆柱体目标框表征；其中，由长方体目标框表征的静态物体的状态信息包括长方体目标框的长和宽，以及大地坐标系下静态物体的位置和朝向角；由圆柱体目标框表征的静态物体状态信息包括圆柱体目标框的半径和大地坐标系下静态物体的位置；
令各车道线分别由通过摄像头对相应车道线进行采样所确定的若干个采样点表征，令车道线的属性包括车道线相对自车的方位、车道线的类型、以及由车道线上各采样点在自车坐标系下相对自车的位置所构成的车道线状态信息；
所述交通号志由禁止交通标志和强制性标志组成，所述禁止交通标志包括限速标志和停止标志，所述强制性标志包括方向号志；令交通号志的属性包括交通号志的类型和交通号志的状态信息，令限速标志的状态信息为其限速大小，以正整数表示，令停止标志的状态信息为0，令强制性标志的状态信息为允许车辆行驶的方向；
令所述红绿灯的状态信息为各信号灯的颜色；
2)引入测量误差，对数值类测量量分别构建各传感器的测量量模型，对非数值类测量量即探测目标类型分别构建各传感器的探测类型模型，分别描述如下：
2-1)构建各传感器的测量量模型
2-1-1)对于用目标框表征的探测目标分别构建激光雷达和摄像头测量量模型，表达式如下：






式中，角标w取lidar时代表激光雷达、取camera时代表摄像头，角标m表示激光雷达或摄像头测量的一个探测目标的测量量总个数；为激光雷达或摄像头测量量模型的输出矩阵，作为仿真环境下激光雷达或摄像头各测量量的估计值；statew为仿真环境下与激光雷达或摄像头对应的各测量量的真实值statew_g构成的矩阵，作为激光雷达或摄像头测量量模型的输入矩阵；Ew为与各测量量的真实值statew_g对应的数值误差Ew_g构成的数值误差矩阵，令各数值误差分别均为零均值且彼此独立的高斯白噪声，为激光雷达或摄像头的各测量量的方差；
2-1-2)构建车道线曲线检测模型，表达式如下：






式中，为车道线曲线检测模型确定的车道线状态矩阵，通过在仿真环境下车道线的真实状态矩阵Linestate中引入车道线数值误差矩阵ELine得到；pointr为构成车道线真实状态矩阵Linestate的第r个采样点在自车坐标下相对自车的位置，即pointr＝(xLinePoint,r,yLinePoint,r)；Eline_r为与pointr相对应的车道线数值误差，各车道线数值误差均分别为零均值且彼此独立的高斯白噪声，为车道线各采样点测量值的方差；
对车道线状态矩阵中的各采样点进行曲线拟合，得到车道线曲线的估计值作为车道线曲线检测模型的输出；
2-1-3)构建毫米波雷达测量量模型
构建极坐标系下毫米波雷达测量量模型，表达式如下：









式中，为极坐标系下毫米波雷达测量量模型的输出矩阵，作为仿真环境下用极坐标表达的毫米波雷达各测量量的估计值，包括探测目标相对于毫米波雷达径向距离的估计值径向距离变化率的估计值和方位角的估计值stateO_Radar为仿真环境下用极坐标表达的毫米波雷达各测量量真实值构成的矩阵，作为极坐标系下毫米波雷达测量量模型的输入，包括探测目标相对于毫米波雷达径向距离的真实值R、径向距离变化率的真实值RangeRate和方位角的真实值φ；EO_Radar为与毫米波雷达各测量量真实值...

【专利技术属性】
技术研发人员：李升波，李克强，汤凯明，孙琪，刘向宏，王义锋，杨璨，
申请(专利权)人：清华大学，北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11