一种考虑个体激进度的行人穿行场景仿真方法与流程

本发明涉及智能网联汽车领域，特别是关于一种考虑个体激进度的行人穿行场景仿真方法。

背景技术：

近年来汽车与人工智能均是业界与学界最关注的问题之一，硬件方面的逐步完善使得汽车的控制越发精细，同时算法方面的进步使得汽车电子控制单元(ecu)的计算能力大幅提升，更多的功能得以实现，因此汽车与人工智能的结合——智能网联汽车(icv)被认为是当前汽车行业的核心问题之一。

然而，目前市面上几乎所有已经量产商业化的智能驾驶汽车只能达到l2或l3等级，无法实现l4及以上的高等级自动驾驶。大部分当前智能驾驶无法到达高等级自动驾驶最大的痛点在于人、车混杂的复杂交通场景下通行效率过低。因此，如何设计合理的人车交互算法便是关键问题之一。想要设计出有效的决策系统，必须通过一系列实验以验证算法安全性，然而由于交通场景中的危险性，直接让真人参与到实车实验中是不合规范的，所以如何将行人纳入到仿真流程中，在仿真平台上还原行人的人车交互逻辑便是一个重要的课题。

当前主要的人车混合仿真平台主要有：prescan、carla、sumo。prescan图形化程度高易于操作，sumo界面简单且能够导入现有城市地图，然而此二者仿真平台中的行人无法通过接口进行控制，原因在于prescan与sumo本质上是宏观的交通流分析软件，行人的参数只有速度、加速度等；而carla的控制接口虽然很丰富(在最新版本中甚至能够对人体的每一块骨骼进行操控)，然而其操作难度相对较大，操控行人的逻辑依托于v2x的集中规划中心，无法在行人中内嵌通行逻辑，同时能够控制的参数除了速度与加速度之外，主要集中于外形(例如性别、年龄等)，无法体现行人互相之间的个体内在激进程度差异。以上各平台的特点以及应用场景总结如下表1。

表1各仿真平台特点与应用场景

综上，有必要开发一种能够体现行人激进度个体差异性的人车交互仿真方法。

为体现每个行人在交通场景中的个体差异性，需要赋予行人单独的内在逻辑，逻辑的主要功能为复现人车交互过程中的一系列决策。元胞自动机(ca)是一种较好的行人模拟机制，将道路划分为网格，行人具有基础的属性，该属性决定平均意义下该个体的速度、加速度等特点，而具体的运动则通过实时对周围8个方格的具体情况实时判定来产生，如果预测在某个方格会与其他个体产生碰撞，便通过交互函数产生一个占据潜在冲突区域的概率。

本发明依托ca提供一种考虑个体激进度的行人穿行场景仿真方法。

技术实现要素：

本发明的目的在于提供一种考虑个体激进度的行人穿行场景仿真方法来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种考虑个体激进度的行人穿行场景仿真方法，包括：

步骤1，进行车辆与行人初始化，每个行人在初始化时被赋予激进度作为内生参数，所述激进度数值越大代表行人越激进，反之则代表其越保守；

步骤2，在单步时间间隔更新完后，判断人车间距是否小于交互判定边界且行人冻结数未达到上限，若是则进入步骤3；若否则说明未达成交互条件，行人与车辆继续保持各自移动状态；其中，所述单步时间间隔为预设的仿真步长值；所述交互判定边界为预设的人车间距值；所述行人冻结数表示行人坚持原先决策的难易度，初始值为零，上限为预设数值，上限越大表示行人越容易改变先前决策；

步骤3，通过当前的人车间距以及行人激进度计算行人继续前进的概率；

其中，通过下式(1)计算所述行人继续前进的概率：

上式(1)中，prob(vehicle.x,agg)表示所述行人继续前进的概率，vehicle.x与vehicle.v表示车辆与行人之间的纵向距离以及车辆的纵向速度，agg表示行人的激进度，ssafe表示所述交互判定边界；

步骤4，产生随机数，判断随机数是否大于前进概率；若是，则进入步骤5；若否，设置行人速度为预设速度，冻结数归零，进入步骤6；其中，所述随机数为大于0小于1的小数；

步骤5，行人速度归零，冻结数加一；

步骤6，更新行人与车辆的位置和速度；

步骤7，判断行人是否已经通过路口，若已通过则仿真结束，若未通过则返回步骤2。

优选的，所述激进度数值为0.1至0.9之间的实数。

优选的，预先设定当所述行人冻结数达到上限后，行人将一直停留在原地直至车辆与行人不再产生交互。

优选的，所述预设速度为1.5m/s。

优选的，该方法还包括：每一组仿真均产生预设数量的初始化数值相同的车辆与行人；在每对行人与车辆的仿真过程中，当车辆还未通过路口时首先记录上一个时间间隔车辆与行人的速度、位置，随后更新车辆与行人的速度与位置，在通过路口后，判断人车是否碰撞，若碰撞则总碰撞次数加一；以及记录所述预设数量的仿真对象中发生车祸的次数和总的通行路口时间数据；其中，步骤1-7应用于每对行人与车辆的仿真过程。

优选的，行人与车辆发生碰撞的条件为同时满足以下两不等式：

|vehicle.x|≤0.5m(2)

|pedestrian.y|≤0.2m(3)

其中，vehicle.x表示车辆与行人之间的纵向距离，pedestrian.y表示行人与车辆之间的横向距离。

优选的，所述方法基于采用元胞自动机模式的仿真构型。

本发明由于采取以上技术方案，其具有以下优点：

提供一种能够体现行人个体激进程度差异性的人车交互场景仿真方法，充分体现了行人在真实场景中的决策连续性以及对侧向来车距离的敏感性，能够较好还原人车交互的过程。

附图说明

图1为本发明实施例中仿真场景的示意图。

图2为本发明实施例提供的考虑个体激进度的行人穿行场景仿真方法的流传示意图。

图3示出了不同激进度的行人在不同人车距离的前进概率曲线。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明实施例提供一种考虑个体激进度的行人穿行场景仿真方法，整体的仿真构型采用和元胞自动机相同的模式。

其中，可以设置具有初始化的位置、速度等属性的个体单元，仿真开始后，每经过一个短时间间隔个体单元根据当前的状态来更新下一个时间段的行为。

本发明实施例提供一种仿真系统，用来实施上述行人穿行场景仿真方法，该系统中，预先设定如表2所示的常数。容易理解，下述表2设定的常数仅为示例，本领域技术人员可以根据需要从中选择部分或者设置其它常数。

表2

其中，仿真步长(即单步时间间隔)设置为0.1s，即每隔0.1秒行人以及车辆的位置、速度等信息进行一次更新，该更新频率较高，能够满足仿真的精度需求。设定行人运动速度为正常行人行走速度，比如1.5m/s。冻结判定次数(即冻结数的上限)与后续仿真流程有关，表示行人坚持原先决策的难易度，其数值越大则表示行人越容易改变先前决策。交互判定边界预设为例如15m，即当人车距离小于15米时交互流程开启。车辆常数方面，自车操作裕量指的是留存给自车制动操作的时间，设置为1秒；自车理想速度为5m/s，加速情况下的期望加速度为1m/s²，人车安全距离为2m，舒适加速度上界为1.5m/s²，自车加速度最大值为7m/s²。车辆常数制定遵循idm(intelligentdrivermodel，智能驾驶员模型)经验值。

本发明实施例中，仿真场景的设置如图1所示，本发明中对仿真做出如下假设：

a)车辆与行人均考虑为质点；

b)车辆能够完全精确地接收到行人的激进程度信息；

c)不考虑车辆的长度；

d)整体模型沿用ca(cellularautomata，元胞自动机)模型的所有假设；

e)车辆不考虑转向操作，即运动为一维(x方向)，只有加速和减速两种操作；

f)行人运动也为一维(y方向)，只有加速和减速两种操作；

g)汽车的加速操作认为是可不连续的

h)行人与车辆发生碰撞的条件为同时满足以下两不等式：

|vehicle.x|≤0.5m(2)

|pedestrian.y|≤0.2m(3)

其中，vehicle.x表示车辆与行人之间的纵向距离，pedestrian.y表示行人与车辆之间的横向距离。

容易理解，上述假设仅为示例，本领域技术人员可以根据需要从中选择部分或者设置其它假设。

该场景中，在路端设定起点线和终点线，具体位置可以由使用者自行调整。图1的示例中起点、终点位置分别位于纵向-15米与+5米处。车辆经过起点线时开始计时，通过终点线时计时终止。行人的初始位置设置为(0,-5)。车道宽3.5米，车辆在道路中央沿直线行驶。

以上初始条件仅为示例，使用者可以根据自身需求灵活调整道路宽度、起点终点位置等数据。

本发明实施例提供一种考虑个体激进度的行人穿行场景仿真方法，单次仿真的流程如图2所示，包括：

步骤1，进行车辆与行人初始化，每个行人在初始化时被赋予激进度作为内生参数，所述激进度数值越大代表行人越激进，反之则代表其越保守。

内生参数指的是一个对象在被创立之初就设定且不会被后续环节改变的参数。激进度取值范围为0.1至0.9之间的实数，平均值为0.5，在现实中，极端保守以及极端激进的行人出现概率极小，因此初始化中不会出现激进度小于0.1或大于0.9的行人。

步骤2，在单步时间间隔更新完后，判断人车间距是否小于交互判定边界且行人冻结数未达到上限，若是则进入步骤3；若否则说明未达成交互条件，行人与车辆继续保持各自移动状态；其中，所述单步时间间隔为预设的仿真步长值；所述交互判定边界为预设的人车间距值；所述行人冻结数表示行人坚持原先决策的难易度，初始值为零，上限为预设数值，上限越大表示行人越容易改变先前决策。

步骤3，通过当前的人车间距以及行人激进度计算行人继续前进的概率。

其中，通过下式(1)计算所述行人继续前进的概率：

上式(1)中，prob(vehicle.x,agg)表示所述行人继续前进的概率，vehicle.x与vehicle.v表示车辆与行人之间的纵向距离以及车辆的纵向速度，agg表示行人的激进度，ssafe表示所述交互判定边界。

本示例中，通过当前的人车间距以及行人激进度计算行人继续前进的概率prob，概率产生的数值依赖于两个因素：

i)汽车距离行人的纵向距离：纵向距离越近，行人更倾向于停止，同时距离逼近零时行人前进的概率应当为0；

j)行人自身的激进程度：相同的纵向距离下，行人越激进则越倾向于前进。

在行人刚刚进入交互边界时，无论激进度如何都会100％选择前进；当人车距离逼近0时则所有人的前进概率都是0％；当人车距离为交互边界的一半时，此时的前进概率就是激进度。图3示出了不同激进度的行人在不同人车距离的前进概率曲线。

步骤4，产生随机数，判断随机数是否大于前进概率；若是，则进入步骤5；若否，设置行人速度为预设速度，冻结数归零，进入步骤6；其中，所述随机数为大于0小于1的小数。

步骤5，行人速度归零，冻结数加一。

在真实交通场景中，当行人某一时刻决定停止前进时，在未来其会更加倾向于维持静止等车的决策直至车辆已通行，例如假设之前的2秒行人a都决定停在原地，在周围环境几乎没有变化时，a此时更倾向继续停在原地。为体现该特性，在流程中加入冻结数机制，冻结数初始为0，每当行人决定停止等车时，则冻结数加一，如果之前该行人已经连续超过5次决定停留在原地，即超过了冻结数上限，则推定之后行人就会一直停留在原地直至车辆与自身不再产生交互。

相反，若某一时刻行人决定前进，则冻结数清零，设置行人速度为预设速度，例如1.5m/s。

步骤6，更新行人与车辆的位置和速度。

本步骤中不限定具体计算方法，例如可以基于定位设备采集的人与车辆的位置信息以及时间信息获得并更新行人与车辆的位置和速度。

步骤7，判断行人是否已经通过路口，若已通过则仿真结束，若未通过则返回步骤2。

以上步骤1-7为单次仿真流程，在人车交互行为研究中，通常需要研究各种行人在同一场景下的宏观行为表现。为规避概率带来的误差，每一组仿真均产生预设数量(例如500对)初始化数值相同的车辆与行人。在每对行人与车辆的仿真过程中，当车辆还未通过路口时首先记录上一个时间间隔车辆与行人的速度、位置等状态信息，随后更新车辆与行人的速度与位置，更新方法可以根据实际需要灵活设置，例如可以根据不同的决策体系选择不同的车辆速度与位置的更新方法。

在通过路口后，判断人车是否碰撞，若碰撞则总碰撞次数加一；最后，记录预设数量的仿真对象中发生车祸的次数，还可以记录其它信息，例如总的通行路口时间等仿真实验操作人所需要的数据。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。