|
摘要：整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性，基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台，将自动驾驶汽车、虚拟仿真场景和前轴可旋转式转鼓试验台耦合构建一个闭环系统，完成了多项关键技术研发，可满足在各种场景下测试自动驾驶汽车整车性能的需求。 自动驾驶汽车能有效地缓解交通拥堵、提高交通安全、改善交通污染，但近年来发生的若干起无人车驾驶事故使得人们对自动驾驶汽车的安全性提出质疑。自动驾驶车辆能否应对突发事件,并在恶劣天气和极端路况环境下保障行驶安全已成为亟待解决的重要问题。当前相关单位已达成高度共识：为保证自动驾驶车辆在各种道路交通状况和应用场景下均可以安全、可靠、高效地运行，必须在出厂前对其进行全面、系统和严格的测试。 虚拟仿真测试、实车测试和硬件在环测试是自动驾驶汽车测试的重要手段。其中虚拟仿真测试方法成本低、测试效率高，但是准确性较差。实车测试则主要分为封闭场地测试和道路测试两种测试方法。封闭场地测试方法具有较高的安全性，但是测试场景过于简单，且场地投资成本高；道路测试虽然具有丰富的测试场景，但是测试安全性较低，且无法穷尽所有交通场景。因此传统的汽车研发与性能测试方法很难满足自动驾驶汽车的测试需求，如何在保证测试准确性和可靠性的先决条件下缩短自动驾驶车辆测试周期是行业当前重点关注的课题。近年来，基于硬件在环（Hardware-in-the-loop, HIL）的仿真方法在汽车测试领域受到了广泛的关注和应用。在对实际车辆进行仿真测试过程中，通过结合数学模型与物理硬件设备以提高模型置信度。与实车测试相比，该方法施工成本低，开发周期短，重现性良好。整车在环（Vehicle-in-the-loop,VIL）仿真是HIL仿真的一种特殊类型，通过将自动驾驶系统集成到真实车辆中，并在实验室条件下构建模拟道路、交通场景以及环境因素，可系统地实现基于多场景的自动驾驶车辆功能与性能测试。本文研发了一种基于整车在环仿真的自动驾驶汽车室内快速测试平台，可在各种虚拟交通场景下测试自动驾驶汽车轨迹规划、轨迹跟踪及执行器控制性能，可大大缩短自动驾驶汽车的研发周期并提高测试效率，与自动驾驶实车测试相比具有：安全性好、重复性高、节省人力和时间成本等优势。如下图1所示，基于整车在环仿真的自动驾驶汽车室内快速测试平台由7个子系统组成，分别为：前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、汽车驾驶模拟器、自动驾驶汽车、测试结果自动分析评价子系统。测试平台各子系统通过主控系统利用以太网相互通信。各个子系统功能描述如下：前轴可旋转式转鼓试验台测控系统设有多组硬件机构，主要包括滚筒组、坡度模拟、转向随动、轴距调整等机构。在测试过程中通过调节俯仰角、侧倾角、航向角三个控制自由度，模拟不同道路的几何线形和横/纵向坡度；利用转向随动机构模拟车辆转向；滚筒组用于模拟连续移动的行驶路面，四个滚筒分别提供不同的路面摩擦系数（例如，冰雪路面，湿滑路面等），从而为车辆模拟真实的道路物理环境。图3所示为试验台机械结构示意图。试验台测控子系统是一个基于CAN总线的分布式网络测控系统，通过前轴可旋转式转鼓试验台主要采集车轮及车身的速度、转角和横/纵向坡度等数据，实现路面环境模拟、升降台、行程距离和常规制动参数控制，可对传统汽车、ADAS辅助驾驶技术汽车以及自动驾驶汽车进行快速检测。虚拟场景自动生成子系统采用虚拟现实技术重构自动驾驶车辆动力模型、车载传感器感知功能、真实天气情况、道路环境和交通场景及事件，为虚拟自动驾驶汽车测试提供静态及动态交通场景。虚拟传感器模拟子系统通过在场景中模拟摄像头、毫米波雷达和激光雷达等车载传感设备，结合感知目标的几何模型和传感器自身的物理模型进行混合建模，模拟传感器的探测机理。测试过程中将驾驶模拟器上执行的加速/制动、换道、转弯等行车操作映射至场景中的其他虚拟车辆。对静态虚拟场景中正常行驶的自动驾驶汽车进行干扰，模拟更加真实而丰富的动态交通测试场景，驱使自动驾驶汽车改变驾驶决策，确保其具有对运动物体的识别能力与避撞能力，可考察车辆应对突发事件的能力。自动驾驶汽车以32线旋转激光雷达、单线激光雷达、毫米波雷达、工业相机作为主要感知设备，利用北斗/GPS双模式的全局定位，结合高精度驾驶地图进行实时路径规划，采用最先进的电控液压相结合的方式对车辆的执行机构部分进行控制。自动驾驶汽车通过在台架所模拟的道路环境上运行，同时接收虚拟传感器感知的交通环境信息，及时地做出智能决策并执行相关动作。测试结果自动分析评价子系统具有强大的数据存储及计算能力，根据车载传感器和试验台的输出数据，如汽车位置、姿态、速度、加速度、航向以及交通状态等参数汇总测试指标、计算测试结果、拟合参数曲线；同时利用以太网协调各子系统之间的信息传递，提供良好的人机交互界面，可直观地了解平台的整体测试状况，便于查找、维护及排除故障。本文研发的自动驾驶汽车室内快速测试平台软件功能如图4所示：注册标定模块主要用于录入车辆各项物理参数，通过在转向角标定和阻力模型标定过程中调整并优化转向系统和阻力模型的控制参数，保证台架检测精度。系统维护模块主要保存车辆相关测试信息，同时记录系统运行中的软、硬件日志文件，定期根据系统日志完成设备功能自检，确保测试平台高效运行。试验台测控程序主要用于调试台架各执行机构的性能，为车辆技术功能测试及场地模拟测试提供设备保障。车辆技术测试模块主要用于测试车辆各项技术状况、工作能力及使用性能。虚拟场景设置模块通过在虚拟场景中调整天气及光照、布设道路标识以及模拟障碍物从而为自动驾驶汽车测试提供丰富的场景用例。场地模拟测试模块可以复现多种典型的道路交通场景，为自动驾驶汽车提供多种模拟的道路工况、交通环境和交通事件。a) 系统基于双轴四滚筒三自由度的转鼓试验台为VIL测试过程中的车辆提供真实的道路物理模型和车辆动力学模型参数，确保仿真测试的精确度。b) 依托长安大学车联网与智能汽车试验场封闭场地测试环境所构建的多种典型交通场景和场地测试用例，自由集成丰富的交通测试场景，通过在虚拟场景中复现并压缩不同类型的驾驶工况，保证车辆可在多种复杂环境或极端道路工况下进行集中测试。与道路测试相比，可减少测试场景的偶然性因素，缩短道路测试时间。c) 通过VIL仿真技术将汽车试验台、虚拟仿真测试场景和自动驾驶汽车组成闭环测试系统，提供一种安全、经济、可重复、可控、有效的自动驾驶车辆整车在环仿真测试方法。可降低检测人员的劳动强度，提高检测效率与准确度，实现自动驾驶汽车快速高精度检测。为减小测量误差，确保系统运行的安全性，测试前首先需录入待测车辆物理参数；其次根据车辆轴距调整台架前后滚筒中心距，在检测到车辆到位后调整相关安全机构；最后对车辆进行转向标定和车型阻力模型标定，确定测试项目，做好测试准备。测试过程中，虚拟场景子系统实时接收试验台采集的车身及车轮速度、转角等状态参数并传至虚拟自动驾驶汽车中，以控制车辆相关机构执行虚拟车辆加/减速、转向等动作；与此同时，虚拟场景子系统依靠高精度地图定位计算虚拟自动驾驶汽车的位置与姿态，根据其位姿信息调整天气、道路、周边环境、交通事件等场景要素，更新虚拟交通测试场景及其他车辆行驶状态。通过计算并控制试验台俯仰、侧倾、航向三个自由度，模拟道路坡度、几何线形、路面附着系数等道路物理环境，将虚拟场景中的道路信息映射到试验台上为自动驾驶汽车提供最逼真的道路工况；而后虚拟车载传感器感知周边交通环境，通过传感器仿真设备接入VIL系统将感知的目标信息传至车载传感器中。进一步，待测车辆将车载传感器接收到的感知信息传送至智能决策单元，经分析、处理、融合后依据当前车辆状态做出最优决策并执行相关动作，试验台测控子系统接收并处理分析各部分传来的测量数据，随后重复实现上述步骤，即完成一个循环。在测试结束后，测试结果自动分析评价子系统计算测试过程中车辆的动作执行正确率，评价自动驾驶汽车决策执行的实时性、灵敏性、智能度、舒适性、经济燃油性等指标。图6所示为整车在环仿真测试流程。试验台需要模拟真实的道路工况，同时将自动驾驶车辆的部分硬件系统或整个车辆接入测试环路中，协同虚拟仿真场景实现信息从虚拟场景到真实场景的迁移，是整车在环仿真测试平台最重要的设备之一，其性能直接影响仿真测试结果的精度及可靠性。车辆操纵稳定性是自动驾驶技术中的重要需求，车辆航向角、侧倾角和俯仰角等位姿参数的模拟精度直接影响自动驾驶汽车控制策略实施的准确性及驾驶舒适性。三自由度模拟系统根据虚拟场景发送的道路模型信息，分别提取车辆航向角度、道路侧倾角度和纵向坡度的相关参数，控制对应的机构执行动作以实现闭环控制，在额定范围内协调配合模拟不同道路工况下的车辆位姿状态。在传统的车辆综合性能检测过程中，由于前转向轮与支撑滚筒的高速旋转，使得两者之间的横向摩擦力很小而产生相对滑动，导致轮胎的转向力矩不足以驱动滚筒旋转，造成转角传递严重失真，台架无法正常完成转向功能，且影响车身稳定。车轮转向随动系统通过预测车轮与滚筒间的转向偏差角实现滚筒实时跟随车轮转动，以减少转向过程中车轮受到的侧向力，保持车轮与滚筒的位置相对稳定，保证车辆在台架上行驶过程中正常转向。传统的车辆试验台在测试车辆紧急制动的过程中，由于车身固定不动，只有车轮在滚筒上转动，使得测试结果与道路试验相比因制动时车身动能不同而存在差异。为了与道路试验条件保持一致，试验台利用飞轮组模拟车辆在道路上高速制动时的平动动能，可为自动驾驶汽车硬件在环测试提供真实的道路环境。测试场景是开展自动驾驶汽车测试评价的重要前提，基于场景的自动驾驶汽车测试方法是实现加速测试、加速评价的有效途径。平台设计一种测试场景自动重构方法，通过解构真实场景并自由多种组合场景要素从而构建更丰富的测试场景。本文将“场景”定义为：自动驾驶测试场景指在一定时空范围内，自动驾驶汽车与行驶环境中的其他车辆、基础设施、天气、光照、障碍物等要素综合交互的过程，它既包含场景中的各类实体，同时还包含实体执行的动作以及实体间的连接关系。场景要素是自动驾驶虚拟测试场景中的重要组成部分。本文主要将场景要素分为静态要素和动态要素两部分。其中，静态要素主要包括道路类型、路面工况、天气光照、基础设施、道路标识等；动态要素主要包含本车速度、航向角及方向盘转角，目标类型、与目标的相对速度、相对位置等。（1）基于道路交通场景的测试需求：典型道路环境、典型道路类型、典型交通流和典型天气光照。（2）基于交通事故与违法场景的测试需求：驾驶人因素、车辆因素、道路因素和环境因素。（3）基于安全驾驶通行规则的测试需求：安全驾驶技能和安全驾驶意识。如图7所示，基于2.3.3节归纳不同类型的自动驾驶汽车虚拟测试场景需求，研究我国的道路交通环境特征和自动驾驶车辆的运行特点，结合测试场景要素分析并归纳自动驾驶汽车安全运行能力的影响因子；其次提取真实驾驶场景中的关键特征参数，运用深度学习和图模型理论等方法实现测试场景的聚类分析与挖掘；然后通过设定场景关键要素的模糊逻辑判定规则、计算模糊逻辑匹配可信度、检验模糊匹配可信度，解决关键要素间的合理性耦合和要素不确定性随机组合的问题，对不同组合规律和要素进行约束以实现自动重构，最后形成基于模糊匹配的测试场景重构方法，为测试评价提供场景支撑。图8所示为平台所构建的自动驾驶虚拟仿真测试场景。传感器数据模拟及注入利用传感器HIL仿真测试方法实现虚拟传感器感知功能，主要包括摄像头仿真器、毫米波雷达模拟器、激光雷达目标模拟器。图9所示为传感器HIL仿真流程图。摄像头仿真采用视频黑箱拍摄的方法，通过摄像头直接对准显示器，将仿真的交通场景视频数据注入到摄像头中的图像处理芯片中识别道路信息（如车道线、行人、障碍物等），可用于模拟多种镜头仿真，如单目、多目摄像头和环视摄像头等；毫米波雷达模拟器在接收到车载毫米波雷达的发射信号同时，实时接收虚拟场景传来的多个方向的目标参数（距离、方位、运动速度及大小等）并模拟真实的雷达回波信号，从而将虚拟交通场景感知信息传递给车载毫米波雷达传感器。激光雷达目标模拟器仿真方案与毫米波类似，通过网络接入VIL系统，实时接收虚拟场景传来的目标点云参数并进行目标回波仿真。传感器仿真设备通过接入VIL系统，提高虚拟仿真测试系统的精确度，从而确保无人驾驶汽车测试方法的可靠性。为验证所提出的室内快速测试平台对自动驾驶汽车性能的测试效果，本文以U-turn（掉头）轨迹跟踪为研究实例，在自动驾驶车辆快速测试平台上实现U-turn场景下自动驾驶汽车的轨迹跟踪控制算法，并测试不同速度下算法的跟踪性能。在试验过程中记录测试台架的转向台转角、车轮转速等信息，车载终端记录待测自动驾驶汽车的实时速度、方向盘转角、航向角、及坐标信息。设定场景为正常道路工况下的静态驾驶场景，并在分别搭建半径为和的U-turn参考轨迹，利用CANUSB进行自动驾驶汽车跟踪控制测试，自动驾驶测试平台室内测试过程如图11所示。在不同半径下的仿真轨迹跟踪结果如图12所示，(a)和(b)显示了虚拟车辆以20km/h的速度分别跟踪半径为10m和15m的U-turn轨迹时自动驾驶汽车的方向盘转角信息，从图中可看出，两组方向盘转角的变化趋势相近，当车辆跟踪轨迹至最远点时，所需的方向盘转角达到最大值，随着参考轨迹曲率半径的增大，车辆所需的转向角峰值会逐渐降低，此时车辆更容易跟踪参考轨迹。测试过程说明了虚拟自动驾驶汽车进行轨迹跟踪时，方向盘转角变化趋势符合车辆运动学规律；(c)和(d)显示了轨迹跟踪时自动驾驶汽车的纵向速度与预定速度间的误差，由两组图可知，由于车辆执行转弯操作时轮胎受力变大，使得车辆行驶速度降低，与预定速度之间存在较小偏差，同时车辆可根据预定速度进而调整速度误差。为验证平台的轨迹跟踪性能，分别从虚拟车辆行驶轨迹与参考轨迹之间的横向误差、纵向误差、航向角误差进一步分析，结果如图13所示，其中虚拟车辆以15km/h的速度跟踪半径为10m的U-turn参考轨迹。从(a)中可以看出，轨迹横向误差保持在区间内，并可通过实时修正横向误差防止轨迹偏离；(b)中纵向误差保持在区间内，在车辆进入U-turn前的直行过程中由于车辆处于加速阶段，行驶速度小于预设速度，其纵向行驶位移小于预测值；在进入U-turn后车辆通过调整车速从而修正纵向误差，保持车辆跟踪性能；(c)中航向角误差保持在区间内，当车辆行驶至U-turn轨迹最远处，此时航向角误差达最大，该误差可仍保持车辆在转弯过程中较好地跟踪参考轨迹。从图14所示的两组虚拟车辆跟踪轨迹的分布中可以看出，随着速度增加，车辆跟踪性能会逐渐降低；同时随着U-turn半径增大，自动驾驶车辆的运动轨迹更接近于参考轨迹，且此时不同速度下的车辆跟踪效果均较好。图15所示为场地测试与整车在环仿真测试的轨迹跟踪图，由图可知，两种测试方法的跟踪轨迹与参考轨迹吻合度较高，可证明轨迹跟踪效果良好。 同时，本文通过分析车辆轨迹跟踪过程中的横向加速度来验证车辆跟踪舒适性，如图16所示。图中车辆横向加速度基本在区间范围内波动，曲线抖动频率较大，说明在轨迹跟踪过程中，车辆通过不停地调整速度、航向角及轮胎转角来控制轨迹跟踪的横向误差，使得跟踪算法不够稳定，舒适性较差。另外，试验中出现加速度大范围骤变情况，其原因在于车辆在驶出U-turn弯道时由于速度较大，需较急地回打方向盘以控制横向距离，在此瞬间产生非常大的反向作用力导致出现该现象。为进一步论证测试平台的效果，本文通过对比台架转向台转角与车轮转角分析台架转向随动系统的性能，如图17所示。从图中可看出，转向台在左右转角极限区间内与自动驾驶汽车实际转角较为接近，可基本实现对车辆轮胎转角的实时跟踪，但是还存在较为明显的滞后性。该现象主要由车辆晃动对于激光测距传感器的干扰所引起。通过上述试验说明本文所测试的高速U-turn轨迹跟踪控制算法在重复性和轨迹跟踪方面都有很好的效果，同时验证了自动驾驶室内测试平台的有效性。本文针对自动驾驶车辆道路测试成本高、周期长、无法穷举所有工况，且在极端恶劣条件下难以保证测试人员安全的问题，研发了一种整车在环仿真的自动驾驶汽车室内快速测试系统架构并搭建测试平台。该平台实现了试验台、虚拟仿真场景和自动驾驶汽车之间的深度融合。试验台测控系统主要实现了多自由度架构的汽车弯道模拟、路面动态模拟、车辆行驶阻力模拟及路面附着系数调节；虚拟场景仿真测试系统主要实现了自动驾驶车辆动力学模型、虚拟车载传感器、交通仿真场景和交通测试用例的柔性集成；通过对自动驾驶车辆与试验台耦合建模，可以充分测试整车性能；最后，本文以自动驾驶汽车高速U-turn轨迹跟踪控制算法为研究实例，通过在自动驾驶汽车快速测试平台上实现对算法跟踪性能的测试，验证了整车在环仿真的自动驾驶汽车室内快速测试平台的有效性。未来将深入讨论导致虚拟仿真测试与实车场地测试之间存在轨迹差异的因素，如航向角、轮速、车轮转角等因素；其次，针对轨迹跟踪过程中存在的控制不稳定，舒适性差的问题进行深入的研究；最后，依托封闭测试场地验证虚拟仿真测试结果，并利用反馈结果优化虚拟场景和仿真执行过程。作者简介：赵祥模，长安大学教授，博士研究生导师，“车联网与智能汽车测试技术创新联盟”理事长，工学博士，《中国公路学报》编委，《交通运输工程学报》主编。研究领域：交通智能检测与控制技术、车联网与智能网联汽车测试技术、分布式计算机网络测控技术及应用、视觉主导的复杂交通群智感知与场景理解、新一代智能交通系统理论及应用
|
