申请/专利权人：冒坚

申请日：2021-04-07

公开（公告）日：2024-03-22

公开（公告）号：CN113092133B

主分类号：G01M17/007

分类号：G01M17/007;G01S7/52

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：本发明提供了一种基于高斯聚类的超声波雷达在环自动驾驶测试方法，利用高斯混合模型确定超声波雷达工作时的危险场景，利用Prescan等虚拟仿真平台搭建危险场景，在测试环路中引进真实超声波雷达增强测试可靠性，超声波雷达接受的回波信号采用回波模拟器来生成，利用Carsim软件和Simulink融入车辆的控制算法来联合进行仿真测试最终得到测试结果以评判自动驾驶汽车控制算法的可靠性与安全性；本方法克服了实际场地测试所带来的不便利、不经济的缺陷，有效降低了人力物力成本，大幅度的提高了测试效率。

主权项：1.一种基于高斯聚类的超声波雷达在环自动驾驶测试方法，使用一种硬件在环自动驾驶测试设备，包括CAN总线、电脑、超声波雷达传感器、超声波回波模拟器、快速控制原型；CAN总线用于传递数据连接测试平台各装置；电脑用于运行生成危险场景的软件Prescan；超声波雷达传感器用于发出、接收超声波信号；超声波回波模拟器用于模拟超声波雷达发出的超声波遇到障碍物时反射回来的回波信号；快速控制原型主要用于融入车辆的控制算法，对于超声波雷达接收的信号进行处理转换为车辆运行的速度与距离信息，对于车辆进行控制并将更新后的车辆位置、速度状态传回回波模拟器，从而形成闭环；其特征在于，本方法步骤如下：步骤一：提取现有的车辆泊车数据，确定构成测试场景的要素将本车速度、环境温度和相对距离作为构成自动泊车测试场景的基本要素：本车速度指的是汽车泊车时车辆相对于地面运动的平均速度；环境温度指的是泊车场景的环境温度；相对距离指的是汽车泊车起始位置与车位的相对距离；泊车情况分为三种：平行泊车、垂直泊车、和斜向泊车；平行泊车即车辆由一定位置，通过横向运动和纵向运动，使得车辆由初始位置，最终平行停到车位内；垂直泊车即车辆由一定位置，通过横向运动和纵向运动，使得车辆由初始位置，最终垂直停到车位内；斜向泊车即车辆由一定位置，通过横向运动和纵向运动，使得车辆由初始位置，最终斜向停到车位内；在泊车时，会出现突发现象：有人员、车辆或者动物突然闯入预规划路径、泊车车位周围障碍物由静止突然移动的情况；人员、车辆或者动物突然闯入预规划路径指的是在在自动泊车控制算法已经规划完毕的泊车线路上突然有人员、车辆、动物的闯入，导致出现无法完成安全泊车的情况；泊车车位周围障碍物由静止突然移动指的是环绕车位的车辆、标志筒、护栏在车辆泊车时由原来相对于车位静止突然变为相对于车位的移动，根据超声波雷达的探测机理，测距是通过障碍物反射超声波来探测距离的，因此，在自动泊车过程进行时，车位周围的障碍物如果移动将有可能导致测距不准或者无法测距，因此考虑周围障碍物移动的情况，采用周围障碍物相对车位的位置作为考量周围障碍物是否相对于车位发生了移动的参数；综上，组成自动泊车测试场景的要素就有：车辆的平均速度v、场景的环境温度t、车辆起始位置距车位距离s、泊车方式以及车位周围障碍物相对于车位的位置；步骤二：搭建测试场景，进行模拟测试，提取模拟测试数据首先对超声波雷达硬件在环测试场景要素的参数进行离散化处理，由于温度每升高1K，声速改变0.17％，所以影响超声波雷达精度的主要因素为环境温度，由于现在市场上大多数的超声波雷达传感器都有一定的温度补偿功能，为了使环境温度的影响更加的明显，选取3K为步长，从243K-313K每3K设定一个环境温度，并在此环境温度下输入其他的场景参数，这样就使得测试数据得以离散，不会出现连续的测试数据导致处理困难；将步骤一中确定的测试场景的要素的参数数据提取输入Prescan，车辆的平均速度v在Prescan中的车辆模型参数里进行设置；场景的环境温度t在Prescan中的“天气”里设置；车辆起始位置距离车位的距离s在Prescan编辑界面内通过距离设定功能来设置；泊车方式通过Prescan中已有的泊车方式模型来搭建；车位周围障碍物及其在车辆泊车过程中是否相对车位位置发生了运动的情况通过在Prescan加入人员、车辆或者动物并且设定其位移、速度、加速度曲线来设置；如上建立测试场景，在Prescan中开启“Simulink”，从Simulink界面里输入待测车辆的自动泊车控制算法，然后在Prescan中的车辆模型设置界面中输入待测车辆的车辆动力学模型参数，包括：尺寸参数轮距、轴距；车辆质量；车辆悬架弹簧刚度特性；车辆传动系参数；车辆所处坐标平面为Prescan编辑界面自带坐标平面；设定上述参数后，在Prescan中开启模拟测试；测试p次，测试项目为m项，测试项目根据中国智能网联汽车产业创新联盟和全国汽标委智能网联汽车分技术委员会于2018年联合发布的《智能网联汽车自动驾驶功能测试规程试行》来确定，得到一个p×m的测试数据矩阵T＝tijp×m，其中tij为测试矩阵T中第i行第j列的数据；以车辆在泊车过程中是否发生碰撞为评判标准，发生碰撞即为发生事故，将发生事故时的工况找出，提取发生事故时的被测车辆所处的测试场景的场景参数测试数据，将其定义为危险参数集，用矩阵T'表示，有n次测试发生了事故，测试项目为m项，将其记作T'＝t'ijn×m，其中t′ij为矩阵T'中第i行第j列的数据；理想情况是危险参数集中的参数应当服从高斯分布，但是由于一些无法预见的原因可能导致分布呈一个偏态高斯分布，偏离真实情况，因此需要对危险参数集进行处理，采用高斯滤波；高斯滤波使用Matlab里的高斯滤波器来完成，将需要滤波的矩阵T'＝t'ijn×m输入，即可得到滤波完毕的危险参数集，用矩阵Z表示，Z＝zijn×m，其中Zij为矩阵Z中第i行第j列的数据；由于矩阵Z＝zijn×m中的参数值范围差异大，采用Z-scoreNormalization方法对矩阵Z＝zijn×m进行标准化处理：计算均值zjmean： 计算标准差 式中：xj为危险参数集X的第j列参数列向量；Zj为高斯滤波处理后的第j列危险参数列向量； 为高斯滤波处理后的第j列危险参数列向量的均值；Sj为高斯滤波处理后的第j列危险参数列向量的标准差；j为矩阵Z的第j列，j＝1,2,…,m；m为测试项目的数目，也是矩阵Z的总列数得到预处理后的自动泊车场景危险参数集X：X＝[x1,x2,…xm]其中的每一行向量xii＝1,2,…,n为每个测试用例所对应的参数向量；步骤三：将预处理后的自动泊车场景危险参数集X以高斯混合模型进行聚类根据步骤二中得出的预处理后的自动泊车场景危险参数集X计算组内残差平方和： 式中x'为随机选择的聚类中心；确定聚类中心数目，组内残差平方和变化速率的拐点数l即为聚类中心的数目；如果聚类中心数目l为1，直接对危险参数进行单高斯模型聚类： 当聚类中心数目大于1时，应用EM算法对预处理后的危险参数集X里面的危险参数进行高斯混合模型聚类，将预处理后的危险参数集X里的危险参数分解成多个高斯概率密度函数组成的模型： θ是高斯混合模型的参数，包括的k个高斯模型的权重αk和模型参数θk，θk包括均值μk和标准差σk，k为单个高斯模型的个数；通过极大似然法可对θ进行估计：θ*＝argmaxLθ 应用EM迭代算法对上述式子进行求解：E-step：计算Q函数，Q函数代表给定p轮迭代的参数θp之后高斯混合模型Gx|θp与给定数αk、μk、σk据之间的相似程度 式中，γik称后概率事件，即表示第i个观测数据来自第k个高斯函数的概率： M-step：最大化Q函数，当计算第p+1步的参数θp+1时，只需要对第p步的αk、μk、σk求偏导并使其等于0，就可以使得Q函数极大化；重复进行EM算法的E-step和M-step直至模型收敛即可得到高斯混合模型Gx|θ；通过上述高斯混合模型，得到标准差σk和均值μk；步骤四：计算场景参数离散程度场景参数的离散程度表征了场景危险程度，被测危险参数分布越离散，表征该参数下的场景越危险，因此需根据步骤三所得的高斯混合模型计算场景参数的离散度；定义第k个高斯模型的离散度dhk： 式中:μk为高斯公布均值；μmean为除k＝1外的聚类中心均值；ω为权重系数；用熵值法计算权重系数，由于熵值法计算采用的是各个方案某一指标占同一指标综合的比值，因此不存在量纲的影响，不需要标准化处理，若数据中有负数，就需要对数据进行非负化处理，此外，为了避免求熵值时，对数的无意义，需要进行数据平移，对于预处理后的危险参数集X，处理后得到的矩阵为R，处理过程如下所示：对于越大越好的指标：对于越小越好的指标：由此将场景测试数据矩阵转化为标准化场景测试数据矩阵R＝rijm×n计算评价指标的熵：对于n次测试，m项测试指标，第i个测试指标的熵定义为： 式中M＝lnn-1； 并假定，当fij＝0,fijlnfij＝0；由于0≤fij≤1，所以也由此可知，0≤Hi≤1；在求出测试指标的熵后，求测试指标的熵权，第i个指标的熵权ωi定义为： 熵权ωi应该满足：0＜ωi＜1且将熵权带入离散度计算式中，由此得到离散度dhk定义衡量危险参数覆盖范围的指标为危险域范围，将第k个危险域范围记作sk： 步骤五：计算危险场景率，选定危险场景参数由于影响一个场景的危险程度主要由危险域离散程度和危险域范围来表征，但是单单从这两个数据无法更加直观的表征出场景的危险程度，因此，定义危险场景率Rd，将危险域离散程度和危险域范围结合来作为量化场景危险程度的指标；危险场景率Rd如下所示： 式中：s1为k＝1时的危险域范围；smin为理论最小危险域范围；危险场景率Rd越小，所测试的自动泊车算法在给定的场景下安全性越好，危险场景率Rd的下限值为1，如果Rd值超过1.5，算法的安全性就较差，需要进一步调整与优化处理，因此选取Rd值大于等于1.5的场景及其参数，作为测试所用场景；步骤六：建立危险场景提取Rd值大于等于1.5的场景中的三个基本参数矩阵A、B、C，将参数在Prescan中输入，生成测试所用场景；步骤七：超声波雷达硬件在环测试基于上述危险场景强化生成方法及自动泊车安全性聚类评价指标，利用Prescan搭建超声波雷达工作时的虚拟危险场景；建立超声波回波模拟器，选取合适的硬件组成回波模拟装置，用以实现目标回波信号的模拟；建立超声波暗室，周围采用吸波材料，防止周围的障碍物对于测试结果产生较大的影响；超声波暗室中置有超声波雷达和雷达转台，雷达转台通过Labview软件进行控制，可以旋转雷达，改变目标的方位角；建立超声波雷达信号收发器，可以采集超声波信号，将采集的超声波信号转化为电信号发送到超声波回波模拟器；基于电信号，通过模拟超声波传感器实现与ECU通信，实现超声波传感器的模拟；将超声波传感器注入，超声波回波模拟器接收超声波传感器所发出的信号，根据车辆动力学模型产生的已有障碍物距离和车辆速度信息加入可控制的时间延迟，再将其发射出去，超声波雷达接收到回波信号后根据发射信号与收到信号的时间差t，计算出超声波探头与障碍物之间的距离s： 式中：s为所测距离，单位为m；t为超声波雷达发射信号与收到信号的时间差，单位为s；v声为超声波的传播速度，单位为-ms由于在超声波暗室中，温度的变化较为难以用装置来模拟，因此采用公式根据所搭设场景中的温度信息对超声波的传播速度进行补偿：v声＝331.3+0.6×T式中：T为场景中的空气温度，单位为℃；由此实现对超声波探测距离的模拟；通过模拟12路超声波的收发信号，实现距离仿真和数据通信；建立快速控制原型系统，快速控制原型系统选用NI公司的PXIe-8880板卡和PXIe-8513板卡，PXIe-8880板卡用于运行包含雷达目标筛选程序、AEB的ADAS系统程序和Carsim汽车动力学模型，PXIe-8513板卡为CAN卡，用于数据传输的各个模块之间均利用CAN总线连接，形成测试环路；超声波雷达硬件在环测试过程可在显示屏上进行可视化体现；根据上述步骤进行超声波雷达硬件在环测试，获取测试结果。

全文数据：

权利要求：

百度查询： 冒坚 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD