论文部分内容阅读
智能汽车的全面系统测试是保证车辆安全、高效运行的前提。在现有测试方法中，真实车辆道路测试是最常见的测试方法，但受制于成本高、耗时长的缺陷，通常作为测试的最后一环。试验场地测试中为保证安全，仅能对简单场景、有限功能进行测试。仿真测试速度快、场景可控，对智能汽车快速测试具有特殊意义。但受技术限制，业界尚未产生共识，利用仿真仅对智能汽车的单独模块进行测试。因此，为提高智能汽车测试效率，本文基于仿真测试提出工具加速、场景加速两个层面的快速测试方法。其中如何构建多模块(环境感知、规划决策、控制执行)集成的仿真测试平台，并获取反映测试需求的高风险场景，是提高智能网联汽车测试效率的关键。
具体而言，首先在工具加速方面，针对现有仿真测试模块单一、环境不真实的问题，本文整合汽车仿真软件PreScan在智能汽车传感器等环境感知硬件模拟上的长处，以及交通仿真软件Vissim在交通流环境模拟上的优势，构建了智能汽车一体化仿真测试平台。
随后，为实现场景加速，文章基于自然驾驶数据统计出最常见的、最能反应智能汽车驾驶能力的5类高风险场景：紧密跟驰、紧急换道、对向冲突、转向冲突、冲突对象突然出现。基于每类场景的数据特征，本文给出它们各自的提取标准，并提取了共329例高风险场景。经视频验证，各类场景提取的总体正确率为70.5%。
最后，为验证本研究一体化仿真测试平台的有效性，以高密度车流环境下快速路汇入区为例，评价了三类典型智能汽车决策策略：智能驾驶跟驰IDM、改进感知能力的智能驾驶模型(CF+)，协同跟驰与策略性换道模型(CF+LCA)对于汇入区瓶颈的影响。结果表明，相比IDM，采用CF+会使智能汽车平均行程速度降低7.9%，但会分别提高加速车道(23.8%)和路肩车道(9.9%)的车速，并减少智能汽车11.2%的行车风险；CF+LCA对于本车的行驶速度影响不大，但会显著提高汇入区车流的速度，加速车道速度提升30.9%，路肩车道提升13.9%，此外还会降低14.8%的行车风险，并为汇入车辆提供更好的汇入条件。
本文的研究立足于智能汽车快速测试的实际需求，是对现有测试方法的进一步完善。该研究不仅能保证智能汽车前期测试的有效性、提高测试效率，同时也有助于理解驾驶员对高风险场景的操作特征，为建立“拟人化”的智能汽车规划决策模型提供支撑。
具体而言，首先在工具加速方面，针对现有仿真测试模块单一、环境不真实的问题，本文整合汽车仿真软件PreScan在智能汽车传感器等环境感知硬件模拟上的长处，以及交通仿真软件Vissim在交通流环境模拟上的优势，构建了智能汽车一体化仿真测试平台。
随后，为实现场景加速，文章基于自然驾驶数据统计出最常见的、最能反应智能汽车驾驶能力的5类高风险场景：紧密跟驰、紧急换道、对向冲突、转向冲突、冲突对象突然出现。基于每类场景的数据特征，本文给出它们各自的提取标准，并提取了共329例高风险场景。经视频验证，各类场景提取的总体正确率为70.5%。
最后，为验证本研究一体化仿真测试平台的有效性，以高密度车流环境下快速路汇入区为例，评价了三类典型智能汽车决策策略：智能驾驶跟驰IDM、改进感知能力的智能驾驶模型(CF+)，协同跟驰与策略性换道模型(CF+LCA)对于汇入区瓶颈的影响。结果表明，相比IDM，采用CF+会使智能汽车平均行程速度降低7.9%，但会分别提高加速车道(23.8%)和路肩车道(9.9%)的车速，并减少智能汽车11.2%的行车风险；CF+LCA对于本车的行驶速度影响不大，但会显著提高汇入区车流的速度，加速车道速度提升30.9%，路肩车道提升13.9%，此外还会降低14.8%的行车风险，并为汇入车辆提供更好的汇入条件。
本文的研究立足于智能汽车快速测试的实际需求，是对现有测试方法的进一步完善。该研究不仅能保证智能汽车前期测试的有效性、提高测试效率，同时也有助于理解驾驶员对高风险场景的操作特征，为建立“拟人化”的智能汽车规划决策模型提供支撑。