一种基于雷视数据的交通仿真方法、装置及电子设备与流程

1.本技术涉及智能交通技术，特别涉及一种基于雷视数据的交通仿真方法、装置及电子设备。


背景技术：

2.交通仿真是研究复杂交通问题的关键技术，目前已广泛应用于各类交通算法验证、强化学习信控模型训练等领域。而在交通仿真场景中，影响仿真推演效果的一个主要因素是对真实交通环境的还原程度，即仿真场景对真实场景的还原程度越高，则基于此进行的信控算法优化等推演研究的效果相对越好。
3.在实践应用中，常用的仿真加载方式有两种：一种是基于车辆流量加载仿真，即通过获取的路网边缘路段流量与转向数据加载仿真，其缺陷在于缺少路网内部路段的车辆信息，存在失真现象；另一种是基于车辆路径加载仿真，即利用部署在进口道的监测设备在各车辆通过时进行采集作为过车数据从而加载仿真，其缺陷在于过车数据涵盖的信息较少，对仿真还原具有一定局限性。
4.随着交通的应用场景的多元化，用户对交通仿真的场景还原度有了更高的要求，而以上两种仿真加载方式在目前大规模路网的仿真场景下都存在还原度较低的问题，导致在此基础上进行的仿真推演效果不佳。


技术实现要素：

5.本技术实施例提供了一种基于雷视数据的交通仿真方法、装置及电子设备，以通过雷视数据进行更高还原度的交通仿真，提升仿真推演效果。
6.第一方面，本技术实施例提供了一种基于雷视数据的交通仿真方法，包括：
7.获取历史雷视数据，上述历史雷视数据包含多个路段的雷视数据；
8.从上述历史雷视数据中获取初始模型参数，基于上述初始模型参数确定车辆相关联的动态驾驶行为参数，并基于上述动态驾驶行为参数生成车辆驾驶模型文件；
9.根据上述历史雷视数据获取路径文件；其中，上述路径文件包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过的一个或多个路段；
10.基于上述路径文件、上述车辆驾驶模型文件、已获取的路网文件进行交通仿真。
11.在一可能的实现方式中，上述动态驾驶行为参数包括基础模型参数、跟驰模型参数和换道模型参数中的至少一个；
12.其中，上述基础模型参数是基于上述初始模型参数确定的，上述基础模型参数用于表述车辆基本驾驶情况；上述跟驰模型参数是基于上述基础模型参数确定的，上述跟驰模型参数用于表述车辆跟驰时距限制；上述换道模型参数是基于上述初始模型参数确定的，上述换道模型参数用于表述车辆具有的换道意愿。
13.在一可能的实现方式中，上述基础模型参数至少包含车辆的间距值、速度值、减速值，上述跟驰模型参数包含驾驶员期望时距和驾驶员驾驶完美度；
14.上述基于上述基础模型参数确定用于表述车辆跟驰时距的跟驰模型参数，包括：
15.从上述历史雷视数据中筛选受前车影响的车辆作为目标后车，将上述目标后车的前车作为目标前车；其中，上述受前车影响的车辆为与前车间距值小于预设距离的车辆；
16.依据上述目标前车和上述目标后车的间距值、速度值、减速值确定驾驶员期望时距；其中，上述驾驶员期望时距用于约束仿真车辆行驶速度；
17.依据上述驾驶员期望时距和已获得的驾驶员驾驶完美度确定上述跟驰模型参数。
18.在一可能的实现方式中，上述初始模型参数至少包含路段中车道级的车辆流量和路段中车道级的车辆排队数据；
19.上述基于上述初始模型参数确定用于表述车辆换道意愿的换道模型参数，包括：
20.采用遗传算法并基于上述车辆流量和上述车辆排队数据，确定上述换道模型参数。
21.在一可能的实现方式中，上述历史雷视数据中包含多种场景、多种时段、多种车型下的雷视数据，上述初始模型参数对应目标时段下目标场景中的多种车型，上述车辆驾驶模型文件用于分别描述上述多种车型的车辆在上述目标场景和上述目标时段下的动态驾驶行为。
22.在一可能的实现方式中，上述根据上述历史雷视数据获取路径文件，包括：
23.从上述历史雷视数据中选取与目标路段匹配的雷视数据作为待还原雷视数据；
24.根据上述待还原雷视数据获取上述路径文件；其中，上述路径文件中包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过上述目标路段中的一个或多个路段。
25.在一可能的实现方式中，上述车辆行驶路径信息通过以下方式获取：
26.解析上述待还原雷视数据获取雷视过车数据；其中，上述雷视过车数据包含目标车辆的车辆标识、车辆类型、目标车辆经过上述目标路段中的一个或多个路口的时间；
27.基于上述雷视过车数据生成上述目标车辆的车辆行驶路径。
28.第二方面，本技术实施例提供了一种基于雷视数据的交通仿真装置，包括：
29.数据获取单元，用于获取历史雷视数据，上述历史雷视数据包含多个路段的雷视数据；
30.模型确定单元，用于从上述历史雷视数据中获取初始模型参数，基于上述初始模型参数确定车辆相关联的动态驾驶行为参数，并基于上述动态驾驶行为参数生成车辆驾驶模型文件；
31.路径确定单元，用于根据上述历史雷视数据获取路径文件；其中，上述路径文件包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过的一个或多个路段；
32.交通仿真单元，用于基于上述路径文件、上述车辆驾驶模型文件、已获取的路网文件进行交通仿真。
33.第三方面，本技术实施例还提供了一种电子设备，该电子设备包括：处理器和机器可读存储介质；
34.上述机器可读存储介质存储有能够被上述处理器执行的机器可执行指令；
35.上述处理器用于执行机器可执行指令，以实现上述公开的方法的步骤。
36.由以上技术方案可以看出，本实施例以获取的真实交通场景下的雷视数据为基
础，利用雷视数据相较于传统过车数据信息更丰富、精度更高的特点，从中获取用于在仿真场景下描述车辆动态驾驶行为的车辆驾驶模型文件、描述车辆行驶路径信息的路径文件，从而配合已获取的路网文件进行交通仿真，相较于传统的基于车流数据或过车数据生成车辆路径、通过人为设定参数描述车辆动态驾驶行为的交通仿真方式，具有更高的数据精度和仿真还原程度。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
38.图1为本技术实施例提供的方法流程图；
39.图2为本技术实施例提供的另一流程图；
40.图3为本技术实施例提供的装置结构图；
41.图4为本技术实施例提供的电子设备结构图。
具体实施方式
42.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
43.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
44.为了使本领域技术人员更好地理解本技术实施例提供的技术方案，并使本技术实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术实施例中技术方案作进一步详细的说明。
45.参见图1，图1为本技术实施例提供的方法流程图。该流程可应用于具备交通仿真程序运行能力的任意电子设备，例如个人计算机、服务器、移动终端等；这里的交通仿真程序可以为目前实践应用中主流的交通仿真软件，例如sumo(simulation of urban mobility，一款微观交通仿真软件)、vissim(一款用于城市交通和公共交通运行的仿真建模工具)等，也可以是非主流或自研的其它交通仿真软件，本实施例对于应用本方法的交通仿真程序或软件并不具体限定。为便于理解与描述，下文以相对开元性强、扩展性好、可移植性高的sumo为例对本实施例所公开的方法进行介绍；应当清楚的是，各交通仿真程序在数据调用及仿真加载等环节会存在一定差异，但本领域技术人员无需付出创造性劳动即可将本实施例中所公开的方法应用于vissim等其它交通仿真程序中。
46.如图1所示，该流程可包括以下步骤：
47.步骤101，获取历史雷视数据，上述历史雷视数据包含多个路段的雷视数据。
48.在本实施例中，雷视数据主要是指通过雷达和/或视频方式获取的真实场景下的交通数据，通常可以由雷视车检器等设备采集。例如，雷视车检器可以每100ms或其它频率采集检测范围内所有物体(包括机动车、非机动车、道路行人等)的雷视数据，如在某一时刻
采集道路上若干车辆的信息(包括而不局限于车辆位置坐标、车牌信息、路段信息、路口信息、采集时间，等等)并以此确定后续实施本方法所需的数据(包括而不局限于当前时刻各车辆的位置坐标、所处车道、车辆间实时间距、各车道排队长度、车辆换道情况，等等)，相较于仅能在每一车辆通过检测点时采集信息的由交叉口电警、卡口等设备能够获取更丰富的交通数据，从而具备实现本实施例的基础。
49.在本实施例中，上述路段也可以包含道路间交汇连接处的路口，即将路口视为路段中的特殊位置；上述雷视车检器可以安装在路段中包含路口在内的各个区域中，以获取对应区域下的雷视数据。
50.可选地，当需要进行交通仿真时，可以获取所有区域中的雷视数据以综合进行仿真；也可以单独获取路口处的雷视数据，或者，获取不包含路口在内的路段中其它区域处的雷视数据，从而对路口或非路口处分别进行交通仿真，以针对性提升对于特定道路区域的仿真效果。优选地，当获取车辆在某一路段中的雷视数据时，该雷视数据中还可以包含车辆通过该路段时的来往方向、所处的具体车道、换道情况，等等，本实施例对此不进行限定。
51.为便于与后文中针对目标路段的待还原雷视数据进行区分，将步骤101中获取的包含多个路段中信息的雷视数据称为历史雷视数据，作为后续确定车辆驾驶模型与车辆路径的数据基础。
52.步骤102，从上述历史雷视数据中获取初始模型参数，基于上述初始模型参数确定车辆相关联的动态驾驶行为参数，并基于上述动态驾驶行为参数生成车辆驾驶模型文件。
53.在本实施例中，进行交通仿真需要基于车辆驾驶模型文件、路径文件、路网文件，其中车辆驾驶模型文件采用步骤102的方式生成。具体地，当获取历史雷视数据后，需要对其进行解析并提取数据以作为后续计算车辆驾驶模型相关参数的依据，为便于区分，将通过历史雷视数据直接解析提取获得的数据称为初始模型参数，例如路段中具体某辆车的实时车速、前后车间距、路段限速等，将基于该初始模型参数确定、用于后续应用在车辆驾驶模型中的参数称为动态驾驶行为参数，例如路段中车辆的速度方差、换道意愿、期望跟驰时距等与车辆相关联的参数，仿真所需的车辆驾驶模型文件(在sumo中可命名为add.xml)基于该动态驾驶行为参数生成。
54.其中，上述初始模型参数可以在执行数据采集的相应设备处计算获取，例如雷视车检器可以依据同一车辆在相邻两次数据采集中的位置坐标、两次数据采集的时间间隔确定该车辆的实时速度，依据同一车道内前后相邻两车的位置坐标确定前后车间距，等等；相应设备也可以仅负责数据采集，将获取的车辆位置坐标、车牌信息、路段信息、路口信息、采集时间等数据传输至执行本方法的电子设备中，由该设备通过上述方式从历史雷视数据中获取初始模型参数。
55.基于上述初始模型参数确定车辆相关联的动态驾驶行为参数有多种可选的实施方式，后文将示例性给出其中一种或多种，这里暂不赘述。
56.步骤103，根据上述历史雷视数据获取路径文件；其中，上述路径文件包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过的一个或多个路段。
57.在本实施例中，进行交通仿真需要基于车辆驾驶模型文件、路径文件、路网文件，其中路径文件采用步骤103的方式生成。具体地，当获取历史雷视数据后，需要从中提取车辆通过路段的路径特征数据以生成路径文件(在sumo中可命名为rou.xml)，用于描述车辆
行驶经过的各个路段，作为仿真场景下车辆路径加载生成的依据。其中，路径文件由若干条车辆行驶路径信息组成，每条车辆行驶路径信息用于表述某一车辆驶过一个或多个路段。可选地，由于相邻两个路段间交汇连接处的路口固定，故车辆行驶路径信息中可以不包含路口的编号等相关信息。
58.作为一个可选的实施例，可以从上述历史雷视数据中选取与目标路段匹配的雷视数据作为待还原雷视数据，根据上述待还原雷视数据获取上述路径文件。
59.即，将用于确定车辆驾驶模型的雷视数据与用于确定车辆路径的雷视数据进行区分，例如，当需要针对指定的目标路段进行交通仿真以进行信控算法优化时，从获取的包含任意路段相关信息的历史雷视数据中选取部分仅包含目标路段相关信息的雷视数据，称为待还原雷视数据。进而依据历史雷视数据信息量更大的优势训练车辆驾驶模型，以提升车辆驾驶模型对真实场景下驾驶情况的还原度；依据待还原雷视数据确定针对目标路段的路径文件，以准确获取经过目标路段的车辆的行驶路径信息，提高数据提取效率。在针对目标路段生成的路径文件中，记录了驶过目标路段中一个或多个路段的车辆的行驶路径信息，从而在后续交通仿真中能够在上述目标路段中精准生成模拟车辆进行行驶，从而提升针对特定路段的仿真推演效率。
60.作为一个可选的实施例，进一步地，可以通过以下方式获取上述车辆行驶路径信息：解析上述待还原雷视数据获取雷视过车数据；基于上述雷视过车数据生成目标车辆的车辆行驶路径。其中，上述雷视过车数据可以包含目标车辆的车辆标识、车辆类型、目标车辆经过上述目标路段中的一个或多个路口的时间。
61.即，在生成针对目标路段的路径文件时，由于不同道路间通过各个路口连接，因此主要用到待还原雷视数据中用于描述车辆驶过路段情况的雷视过车数据，并从该雷视过车数据中依据各个车辆通过目标路段中各个路口或路段的时间，分别针对各个车辆生成行驶路径相关数据。
62.可选地，作为一个具体示例，路径文件中针对某一车辆的车辆行驶路径信息可以包含如表1所示的数据。
[0063][0064]
表1
[0065]
其中，depart表示车辆出现在路网中的时间，例如depart＝"0.00"代表该车辆在仿真开始运行时即出现在仿真场景中；id表示车辆唯一标识，可以为车牌去掉中文字段后的数据，也可以通过其它计算规则生成，能够实现在路径文件中唯一表示具体某一辆车即可；type表示车辆类型，用于在针对不同类型的车辆进行仿真推演时调用，例如区分家用轿车与货车、区分公交车与非公交车等；edges表示车辆依次通过的路段编号表中示例代表该车辆依次通过了编号为129_2、5076457197_2、5076447726_2、5076447723_3、5076447721_3的五个路段。可选地，还可以单独针对路段中的各个路口设置对应的路口编号，车辆行驶路
径信息中可以如上述表1中一样不包含车辆通过的路口编号，也可以利用车辆通过各路口的顺序描述车辆路径，等等，本实施例对此不进行限定。此外，还可以根据实际需求向车辆行驶路径中加入其它参数，例如车辆通过上述路段时的场景或时段等信息，本实施例对此不进行限定。
[0066]
步骤104，基于上述路径文件、上述车辆驾驶模型文件、已获取的路网文件进行交通仿真。
[0067]
在本实施例中，进行交通仿真需要基于车辆驾驶模型文件、路径文件、路网文件，其中，车辆驾驶模型文件和路径文件可以分别通过步骤102、步骤103中所记载的方式获取，而路网文件的获取方式本实施例并不进行限定，例如，可以基于现有的地图数据文件(例如pbf或osm等格式)转换为路网文件(在sumo中可命名为net.xml)，也可以基于雷视数据中记录的关于目标路段的视频图像数据解析生成精度相对更高的路网文件以进一步提升仿真还原度，等等。
[0068]
通过进行交通仿真，可以利用生成的仿真场景进行推演，例如，为信控算法提供验证信控优化算法效果的功能：先在仿真场景中运行原始信控方案，得到仿真分析结果；进而对信控方案进行算法优化后再加载于相同的仿真场景中，得到针对优化后的信控算法的仿真分析结果，将前后仿真分析结果进行对比，从而验证优化后的信控方案是否有效；仿真场景还原度越高则验证结果越准确。
[0069]
同理，作为一个可选的实施例，可以通过划分不同的场景、时段、车型以生成更精确、针对性更强的仿真场景，以对应更多的应用场景：可以基于包含多种场景、多种时段、多种车型的历史雷视数据，获取针对目标场景、目标时段下各个车型的车辆驾驶模型文件和/或路径文件，从而针对目标场景、目标时段进行区分不同车型的交通仿真，以对特定情况进行针对性的仿真推演，提高信控算法优化效率等。
[0070]
例如，上述历史雷视数据中包含多种场景、多种时段、多种车型下的雷视数据，则可以使获取的初始模型参数对应目标时段下目标场景中的多种车型，进而使得生成的车辆驾驶模型文件用于分别描述上述多种车型的车辆在上述目标场景和上述目标时段下的动态驾驶行为。同理，也可以采用类似的方式获取针对目标车型、目标时段中多种场景下的目标车辆驾驶模型文件，或者，获取针对目标场景、目标时段下多种车型的路径文件，等等，这里不再赘述。
[0071]
可选地，对于场景、时段、车型的具体分类方式可以根据实际需求进行设置，例如，当需要推演不同类型道路对交通的影响时，可以按照“路口区域/路段区域”或“干路/支路/快速路”等方式划分场景，当需要推演不同天气对交通的影响时，可以按照“晴/雨/雾/雪/雹”等方式划分场景；可以将车型划分为“公交车/非公交车”以仿真分析设置公交专用道对交通的影响，或将车型划分为“小车(家用轿车等)/大车(货车、客车等)”等；同理，也可以根据需求将时段划分为“高峰/平峰”、“早高峰/晚高峰/其它时段”，等等，本实施例对于场景、时段、车型的具体分类依据不进行限定。
[0072]
至此，完成图1所示流程。
[0073]
通过图1所示流程可以看出，本实施例以获取的真实交通场景下的雷视数据为基础，利用雷视数据相较于传统过车数据信息更丰富、精度更高的特点，从中获取用于在仿真场景下描述车辆动态驾驶行为的车辆驾驶模型文件、描述车辆行驶路径信息的路径文件，
从而配合已获取的路网文件进行交通仿真，相较于传统的基于车辆流量或过车数据生成车辆路径、通过人为设定参数描述车辆动态驾驶行为的交通仿真方式，具有更高的数据精度和仿真还原程度。
[0074]
此外，上述步骤102中基于初始模型参数确定车辆相关联的动态驾驶行为参数有多种可选的实施方式，这里将示例性给出其中几种可选的实施方式：
[0075]
作为一个可选的实施例，上述动态驾驶行为参数可以包括基础模型参数、跟驰模型参数和换道模型参数中的至少一个，可以针对不同参数的特点采用不同的方法进行标定，能够一定程度上节约标定耗时。其中，上述基础模型参数是基于上述初始模型参数确定的，上述基础模型参数用于表述车辆基本驾驶情况；上述跟驰模型参数是基于上述基础模型参数确定的，上述跟驰模型参数用于表述车辆跟驰时距限制；上述换道模型参数是基于上述初始模型参数确定的，上述换道模型参数用于表述车辆具有的换道意愿。
[0076]
可选地，上述基础模型参数可以包含车辆的间距值、速度值、减速值，基于上述基础模型参数确定用于表述车辆跟驰时距的跟驰模型参数，具体为从上述历史雷视数据中筛选受前车影响的车辆作为目标后车，将上述目标后车的前车作为目标前车；依据上述目标前车和上述目标后车的间距值、速度值、减速值确定驾驶员期望时距；依据上述驾驶员期望时距和已获得的驾驶员驾驶完美度确定上述跟驰模型参数。
[0077]
其中，上述受前车影响的车辆为与前车间距值小于预设距离的车辆；上述驾驶员期望时距用于约束仿真车辆行驶速度；上述驾驶员完美度可以有多种获取方式，例如预先接收输入的驾驶员完美度、依据仿真效果实时调整驾驶员完美度，等等，本实施例对此不进行限定。
[0078]
可选地，上述初始模型参数可以包含路段中的车辆流量和路段中的车辆排队数据，基于上述初始模型参数确定用于表述车辆换道意愿的换道模型参数，具体为采用遗传算法并基于上述车辆流量和上述车辆排队数据，确定上述换道模型参数。
[0079]
其中，上述车辆流量、排队数据可以分为不同的量级，例如路口级、路段级、车道级，等等；作为一个优选的实施例，这里可以采用车道级的车辆流量和排队数据，用于在多车道路段中分别精准描述各个车道中的车辆流量和排队情况，以提升仿真精度和还原效果。
[0080]
可选地，作为一个具体示例，车辆驾驶模型文件中的基础模型参数可以包含如表2所示的数据。
[0081]
[0082][0083]
表2
[0084]
其中：
[0085]
accel为加速值，用于描述车辆加速能力，v
t
为t时刻下车辆的实时速度，可以利用雷视数据中同一车辆相邻两次采样的坐标位置变化和采样间隔计算确定，对路网中所有车辆在各时刻下的数据进行相应计算，从大于0的值中取最大值作为accel；
[0086]
decel为减速值，用于描述车辆的减速能力，其计算方式类似于accel，从小于0的值中取绝对值后以99.9％分位数作为decel；
[0087]
emergencydecel为物理最大减速值，用于描述车辆在紧急情况下所能达到的极限制动能力，计算方式类似于decel，从从小于0的值中取绝对值后以最大值作为emergencydecel；
[0088]
length为车长值，即车身长度，可以从雷视数据中提取获得；
[0089]
mingap为车距值，即停车时前车车尾到后车车头距离，可以从雷视数据中直接提取所有车距情况后取最小值作为mingap；
[0090]
maxspeed为最大速度值，即路网中最大的车辆速度，可以从雷视数据中直接提取所有实时车速后取最大值作为maxspeed；
[0091]
speedfactor为速度因子，用于描述车辆的行驶速度意愿，相应车道的限速值与speedfactor的乘积即为车辆预期想要达到的速度，v为车辆瞬时速度，v
lim
为车辆所处车道的限速；
[0092]
speeddev为速度方差值，计算方式类似于speedfactor，对车辆瞬时速度与限速的商取标准差获得；
[0093]
vclass为车辆类型，可以从雷视数据中提取获得。
[0094]
其中，可以将基础模型参数中的accel、decel、emergencydecel、mingap等参数作为跟驰模型参数的计算基础，以通过公式计算标定跟驰模型参数。
[0095]
可选地，作为一个具体示例，车辆驾驶模型文件中的跟驰模型参数可以包含如表3所示的数据，所用的跟驰模型可以为sumo默认跟驰模型krauss，也可以调整为其它跟驰模型。
[0096][0097]
表3
[0098]
其中：
[0099]
tau为驾驶员期望的(最小)时距，通过筛选受前车影响的车辆(即两车间距小于预设值的前后车辆，如车距小于100米的前后车辆)，利用前车速度v
l
、后车速度vf、两车行驶间车距gap(前车车尾至后车车首的距离)、decel减速值通过表2中的相应公式计算确定，对路网中所有车辆的数据进行上述计算后取0.1％分位数作为跟驰模型参数中的tau；
[0100]
sigma为司机驾驶完美度，数值越大表示司机驾驶完美度越低，即越偏离理想中的最优驾驶情况。
[0101]
在实际应用中，通过跟驰模型计算最大安全车速，以约束仿真场景下的车辆以相对合适的速度行驶，避免前后车辆碰撞或间距过大，偏离真实情况。可选地，在不考虑司机驾驶完美度(即假定sigma为0)时，对于在仿真场景中车速为v
l
的某一车辆，跟驰于该车且与其车距小于预设车距的后车的最大安全车速v
safe
可以通过以下公式1确定：
[0102]
l(vf)+vfτ《l(v
l
)+gap
ꢀꢀꢀꢀꢀꢀ
(公式1)
[0103]
其中，l(vf)为后车的刹车距离，l(v
l
)为前车的刹车距离，τ即为上述标定获得的tau；将v
l
、τ、gap代入公式1中，取公式1左右两侧相等，此时解得的后车速度vf即为相应情况下后车的最大安全车速v
safe
，即前车车速为v
l
、后车车速为v
safe
、两车间距为gap的情况下前后两车同时进行制动，当两车停止时前后车恰好接触而不发生碰撞。
[0104]
故在仿真场景中，可以通过上述跟驰模型及公式1计算后车v
safe
，并以此约束后车行驶速度，当车速低于该值时进行加速，超过该值时进行减速。
[0105]
可选地，由于在真实场景下还存在驾驶员反应时间、驾驶风格等其它干扰因素，车辆不会以恒定速度进行行驶，因此可以通过在v
safe
的基础上进行随机扰动作为仿真中的后车行驶速度以提升仿真还原程度。
[0106]
其中，对速度进行随机扰动有多种可选的实施方式，本实施例对此不进行限定；例如，可以通过以下公式2确定后车车速：
[0107][0108]
其中，σ即前述司机驾驶完美度sigma；v
safe
为上述计算确定的假定sigma为0时的后车最大安全车速；rand函数为在相应区间内取随机值，以模拟仿真中的后车实际车速与理想情况下的最大安全车速v
safe
间存在速度差；a为预设速度阈值，即当v
safe
超过该速度阈值后，随机扰动范围由(0,σv
safe
)改为(0,σa)，以避免v
safe
较大时后车车速变化过快、偏离真实情况。
[0109]
可选地，作为一个具体示例，车辆驾驶模型文件中的换道模型参数可以包含如表4所示的数据，所用的换道模型可以为sumo默认换道模型lc2013，也可以调整为其它换道模型。
[0110][0111]
表4
[0112]
其中：
[0113]
lcstrategic用于表示进行战略性变道的意愿，lcstrategic值越大则换道相对越早；
[0114]
lcspeedgain用于表示渴望进行变道以提高速度的意愿，lcspeedgain越大则换道相对越频繁；
[0115]
lclookaheadleft用于表示当需要左变道时(相对于右前瞻)，用于配置战略前瞻距离的因素；
[0116]
lcassertive用于表示愿意接受目标车道上较低的前后间隙的程度。
[0117]
上述换道模型参数可以依据初始模型参数中车道级的车辆流量和车道级的车辆排队数据，通过遗传算法标定获得，以对真实场景下各车道中车辆的换道意愿进行仿真模拟，本实施例对于具体采用的遗传算法类型或使用方式不进行限定。
[0118]
至此，完成了对步骤102中基于初始模型参数确定与车辆驾驶模型文件对应的动态驾驶行为参数的几种可选实施方式的描述。
[0119]
为了使本领域技术人员更好地理解本技术实施例提供的技术方案，本技术实施例还提供了如图2所示的流程图，以实现本技术实施例所公开的上述方法，该流程可包括以下步骤：
[0120]
步骤201，历史雷视数据提取并解析。
[0121]
在本实施例中，通过对获取的历史雷视数据进行数据提取与解析，获取后续确定路网文件所需的雷视路网数据、确定车辆驾驶模型文件所需的初始模型参数。作为一个可选的实施例，初始模型参数可以细分为历史雷视过车数据、雷视交通参数、雷视轨迹数据，其具体含义及内容将结合具体步骤给出，这里暂不赘述。
[0122]
步骤202，雷视路网数据解析；
[0123]
步骤203，仿真路网转化。
[0124]
作为一个可选的实施例，在通过感知设备，例如雷视车检器，获取雷视数据后，可以得到与雷视轨迹数据匹配的雷视路网数据，雷视路网数据中以多段线和多边形的形式记录了道路边线和标志标线信息，可以根据道路边线信息自动识别提取出交叉口中心点坐标及形状信息，进而通过人工标注与脚本结合的半自动的方式生成包含点、线、连接器等元素的路网文件(在sumo中可命名为net.xml)。
[0125]
步骤204，历史雷视过车数据解析、雷视交通参数解析；
[0126]
步骤205，车辆流量提取；
[0127]
步骤206，排队数据提取。
[0128]
作为一个可选的实施例，可以从历史雷视数据中提取出记载各时段下车道级驶离流量的历史雷视过车数据和记载各时段下车道级排队长度等数据的雷视交通参数，以作为后续换道模型参数标定的依据。
[0129]
步骤207，雷视轨迹数据解析；
[0130]
步骤208，参数敏感性分析。
[0131]
作为一个可选的实施例，可以从历史雷视数据中提取出表示采集范围内各车辆在各时刻下位置坐标的雷视轨迹数据，进而以此确定各车辆实时速度、车辆间距、所处车道等计算基本模型参数、跟驰模型参数所需的部分初始模型参数，具体内容可参见前述步骤102相关介绍，这里不再赘述。
[0132]
作为一个可选的实施例，可以通过方差分析确定各参数的敏感性，并以此选取对标定目标影响最大的参数作为基本模型、跟驰模型中需要标定的参数，例如前述表2、表3中示例性记载的各参数即为通过方差分析筛选出的对标定目标影响较大的参数。
[0133]
步骤209，参数标定。
[0134]
在本实施例中，可以基于步骤204-206获取的路段中车道级的车辆流量和路段中车道级的车辆排队数据，通过遗传算法标定用于表述车辆换道意愿的换道模型参数，以及基于步骤207、208中获取的初始模型参数通过相应公式计算标定用于表述车辆跟驰时距限制的跟驰模型参数，具体标定方式可参见前述步骤102相关介绍，这里不再赘述。
[0135]
步骤210，待还原雷视数据提取并解析；
[0136]
步骤211，待还原雷视过车数据解析；
[0137]
步骤212，路径数据提取。
[0138]
作为一个可选的实施例，待还原雷视数据可以从历史雷视数据中选取与目标路段匹配的数据以获得，也可以独立于历史雷视数据直接从数据采集设备处获得，本实施例对此不进行限定。基于待还原雷视过车数据进行路径数据提取以生成仿真所需的路径文件，其具体生成方式可参见前述步骤103相关介绍，这里不再赘述。
[0139]
步骤213，仿真加载。
[0140]
加载前述生成的路网文件、车辆驾驶模型文件、路径文件进行交通仿真，以得到较高还原度的仿真场景。
[0141]
至此，完成对图2所示流程示例的描述。
[0142]
以上对本技术实施例提供的方法进行了描述，下面对本技术实施例提供的装置进行描述：
[0143]
参见图3，图3为本技术实施例提供的装置结构图。如图3所示，该装置可包括：
[0144]
数据获取单元301，用于获取历史雷视数据，上述历史雷视数据包含多个路段的雷视数据；
[0145]
模型确定单元302，用于从上述历史雷视数据中获取初始模型参数，基于上述初始模型参数确定车辆相关联的动态驾驶行为参数，并基于上述动态驾驶行为参数生成车辆驾驶模型文件；
[0146]
路径确定单元303，用于根据上述历史雷视数据获取路径文件；其中，上述路径文件包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过的一个或多个路段；
[0147]
交通仿真单元304，用于基于上述路径文件、上述车辆驾驶模型文件、已获取的路网文件进行交通仿真。
[0148]
可选地，上述模型确定单元302中的上述动态驾驶行为参数包括基础模型参数、跟驰模型参数和换道模型参数中的至少一个；上述基础模型参数是基于上述初始模型参数确定的，上述基础模型参数用于表述车辆基本驾驶情况；上述跟驰模型参数是基于上述基础模型参数确定的，上述跟驰模型参数用于表述车辆跟驰时距限制；上述换道模型参数是基于上述初始模型参数确定的，上述换道模型参数用于表述车辆具有的换道意愿。
[0149]
可选地，上述基础模型参数至少包含车辆的间距值、速度值、减速值；上述模型确定单元302基于上述基础模型参数确定用于表述车辆跟驰时距的跟驰模型参数时具体用
于：从上述历史雷视数据中筛选受前车影响的车辆作为目标后车，将上述目标后车的前车作为目标前车；其中，上述受前车影响的车辆为与前车间距值小于预设距离的车辆；依据上述目标前车和上述目标后车的间距值、速度值、减速值确定驾驶员期望时距；其中，上述驾驶员期望时距用于约束仿真车辆行驶速度；依据上述驾驶员期望时距和已获得的驾驶员驾驶完美度确定上述跟驰模型参数。
[0150]
可选地，上述初始模型参数至少包含用于表述路段中车道级的车辆流量和路段中车道级的车辆排队数据；上述模型确定单元302基于上述初始模型参数确定用于表述车辆换道意愿的换道模型参数时具体用于：采用遗传算法并基于上述车辆流量和上述车辆排队数据，确定上述换道模型参数。
[0151]
可选地，上述历史雷视数据中包含多种场景、多种时段、多种车型下的雷视数据；上述模型确定单元302中的上述初始模型参数对应目标时段下目标场景中的多种车型，上述车辆驾驶模型文件用于分别描述上述多种车型的车辆在上述目标场景和上述目标时段下的动态驾驶行为。
[0152]
可选地，上述路径确定单元303根据上述历史雷视数据获取路径文件时具体用于：从上述历史雷视数据中选取与目标路段匹配的雷视数据作为待还原雷视数据；根据上述待还原雷视数据获取上述路径文件；其中，上述路径文件中包含多个车辆行驶路径信息，上述车辆行驶路径信息用于表述车辆经过上述目标路段中的一个或多个路段。
[0153]
可选地，上述路径确定单元303获取上述车辆行驶路径信息时具体用于：解析上述待还原雷视数据获取雷视过车数据；其中，上述雷视过车数据包含目标车辆的车辆标识、车辆类型、目标车辆经过上述目标路段中的一个或多个路口的时间；基于上述雷视过车数据生成上述目标车辆的车辆行驶路径。
[0154]
至此，完成图3所示装置的结构描述。
[0155]
本技术实施例还提供了图3所示装置的硬件结构。参见图4，图4为本技术实施例提供的电子设备结构图。如图4所示，该硬件结构可包括：处理器和机器可读存储介质，机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现本技术上述示例公开的方法。
[0156]
基于与上述方法同样的申请构思，本技术实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本技术上述示例公开的方法。
[0157]
示例性的，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：ram(radom access memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
[0158]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
[0159]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0160]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0161]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0162]
而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
[0163]
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0164]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。