一种基于时-空关键帧控制的交通仿真方法及装置

1.本发明涉及交通仿真技术领域，尤其涉及一种基于时-空关键帧控制的交通仿真方法及装置。


背景技术：

2.随着自动驾驶、城市规划和影视游戏等领域的蓬勃发展，交通仿真技术备受关注，一个能产生高保真结果的可靠交通器也因此变得越发重要。
3.现有的交通仿真器虽然能够生成真实的交通流，但对车流中某一个体行为进行约束控制缺鲜有研究，具体来说，若用户想要仿真一个预定义的交通场景或是让车辆表现出特殊的交通行为，则需要反复试错不同的参数并从头运行仿真程序，使得最终结果慢慢逼近预期，这是一个非常繁琐且耗时的过程。
4.交互式编辑技术在人群动画领域被提出，用于让仿真过程变得更直观可控，降低生成特定仿真场景的人力成本，提高其生产效率。
5.专利文献cn114021334a公开了一种基于数据驱动和用户编辑的交通交流仿真方法和系统，方法包括：根据交通流道路信息编码二维网格地图，得到道路地图；根据用户编辑信息获取编辑位置集合，并将道路地图中编辑位置对应的网格作为编辑节点；自设定的编辑节点起点搜索道路地图，得到价值函数取值最小的道路地图网格集合作为编辑轨迹；编辑轨迹途径编辑节点，根据编辑轨迹得到仿真交通流；价值函数包括距离参数和车道参数。该方法不支持使用关键帧在时-空维度对车辆进行约束，例如让某一辆车在特定的时间点到达指定的位置，这导致用户编辑的灵活程度受限。此外，该框架使用数据驱动的仿真方法，仿真过程不可求导决定了其无法引入梯度学习的方法进行带约束的优化。
6.专利文献cn114117889a公开了一种基于时序网络的仿真交通流编辑方法和系统，该方法包括：获取基础交通数据流；根据编辑需求得到所述编辑车辆的倾向速度和编辑车辆的倾向方法；将所述编辑车辆信息、交互车辆信息、编辑车辆的倾向速度以及编辑车辆的倾向方法输入时序网络，得到所述编辑车辆的拟编辑加速度；根据所述编辑车辆的拟编辑加速度调整所述基础交通流数据，得到编辑后的仿真交通流。该方法仅能简化相似仿真场景的构建过程，但针对指定特殊交通情况仍然需要重复仿真获得最终结果。
7.基于上述问题，也导致车辆自动驾驶的反馈速度较慢，并不能适用于一些车辆或人流较多的事故多发区域。


技术实现要素：

8.为了解决上述问题，本发明提供了一种便于用户操作随时操作、仿真结果保真的交通仿真方法，原始交通仿真结果进行由粗到细的优化，从而获得结果稳定、满足时-空关键帧控制的交通仿真轨迹。
9.一种基于时-空关键帧控制的交通仿真方法，包括：
10.步骤1、获取原始交通仿真数据，所述原始交通仿真数据包括用户编辑信息，参考
路径以及基于所述参考路径的交通场景仿真结果；
11.步骤2、基于所述参考路径构建三维网格化的状态-时间空间图，计算所述状态-时间空间图中所有节点对应的可连接子节点，获得对应的状态-时间有向图；
12.步骤3、提取所述用户编辑信息中的关键帧并设为编辑起点进行搜索，以状态-时间有向图为基础构建目标函数为最小值的轨迹价值函数，求解所述轨迹价值函数获得由多个状态-时间有向图节点构成的粗粒度轨迹；
13.步骤4、提取所述粗粒度轨迹对应的轨迹沿途预期速度集合作为待优化初始值，基于所述待优化初始值对所述交通场景仿真结果进行细粒度优化，获得满足时-空关键帧控制的交通场景仿真轨迹。
14.本发明基于社会力模型同时在笛卡尔坐标系和frenet坐标系下更新车辆状态，并将伴随法和状态-时间空间搜索结合，对关键帧约束进行由粗到细的优化，以达到稳定收敛的目的，从而获得稳定、满足时-空关键帧控制的交通仿真轨迹。
15.具体的，所述满足时-空关键帧控制的交通场景仿真轨迹用于让仿真过程变得更直观可控，降低生成特定仿真场景的人力成本，从而加快仿真反馈速度。
16.具体的，步骤1中，所述交通场景仿真结果的获取过程如下：
17.步骤1-1、根据待仿真的交通场景道路信息，构建二维网格化的道路地图，所述道路地图包括不可行驶区域、可行驶区域以及车道中心区域；
18.步骤1-2、根据用户编辑信息中的编辑位置作为编辑起点进行搜索，以道路地图为基础构建目标函数为最小值的路径价值函数，求解获得用户的参考路径；
19.步骤1-3、基于社会力模型计算所述参考路径中车辆的受力情况，同时在笛卡尔坐标系和frenet坐标系中更新所述车辆状态，获得交通场景仿真结果。
20.具体的，所述不可行驶区域、可行驶区域和车道中心区域的网格节点分别标识为0，1，2，所述标识变量记为sign。
21.具体的，所述搜索采用a*算法，具体过程如下：
22.首先确定作为起点的编辑起点和作为终点的编辑终点，然后重复将所述价值函数估价最小的网格节点的相邻节点加入到当前图节点集合，直至所述编辑终点被添加至当前图节点集合，回溯得到用户自定义轨迹。
23.具体的，步骤1-2中，所述路径价值函数的表达式如下：
[0024][0025]
其中，n为搜索过程的当前网络节点，n
goal
为编辑终点，‖n-n
goal
‖表示当前网格节点和编辑终点间的距离度量；μa和μb为预设参数，sign为当前网格节点n的标识变量，表示当前网络节点与车道中心间的距离度量。
[0026]
具体的，步骤1-3中的具体过程如下：
[0027]
在任意t时刻下，所述车辆状态包括其中为车辆在frenet坐标系中的速度和位置，v
t
,p
t
为车辆在笛卡尔坐标系中的速度和位置，θ
t
为车辆的朝向，为车辆在frenet坐标系中的期望行驶速度，pk为车辆遵循的参考路径，其编号为k；
[0028]
其中，车辆状态的更新表达式如下：
[0029][0030][0031][0032][0033]
其中，对某一车辆在t时刻下而言，表示其所受到的合力，表示其所受到的自驱动力，表示其受到的道路保持力，f
j,t
表示其所受到的相邻车辆集合n
t
中某一个体j的排斥力，sk表示对参考路径进行三次样条的插值函数，δt为仿真时间步长；
[0034]
所述车辆受到的自驱动力在frenet坐标系中表示，用于描述该车辆受到期望行驶速度的影响下，在某一时刻的运动速度和方向，表达式如下：
[0035][0036]
其中，ωo为预设参数，m为该车辆质量，为该车辆在frenet坐标系中的最大加速度，为该车辆在frenet坐标系中的期望行驶速度，为该车辆当前时刻在frenet坐标系中的速度；
[0037]
所述车辆受到的相邻车辆排斥力f
j,t
在笛卡尔坐标系中表示，用于描述该车辆运动过程中倾向于与其他车辆保持一定距离的心理特征，以避免碰撞事故发生，其表达式如下：
[0038][0039]
其中，ωc为预设参数，a为视角系数，b,c为参数化系数，uc为从相邻车辆j指向该车辆的单位向量，p
j,t
为当前时刻相邻车辆j，p
t
为该车辆在笛卡尔坐标系中的位置；
[0040]
所述视角系数的表达式如下：
[0041][0042]
其中，φ为该车辆的行驶方向与该车辆指向相邻车辆j的方向之间的夹角；
[0043]
所述参数化系数的表达式如下：
[0044]
[0045][0046]
其中，s0为该车辆期望与其他相邻车辆保持的安全距离，t0为该车辆制动所需的反应时间，v
j,t
为相邻车辆j，v
t
为车辆当前时刻在笛卡尔坐标系中的速度，为该车辆在frenet坐标系中的最大加速度。
[0047]
具体的，步骤2中，所述状态-时间有向图由离散的状态-时间空间节点，加速后到达子节点，匀速后达到子节点以及减速后达到子节点连接构成；
[0048]
加速后到达子节点：
[0049]
匀速后到达子节点：
[0050]
减速后到达子节点：
[0051]
其中，为空间离散化后坐标vs轴上的间隔步长，为空间离散化后坐标s轴上的间隔步长，为空间离散化后坐标t轴上的间隔步长。
[0052]
具体的，所述轨迹价值函数的表达式如下：
[0053][0054][0055][0056]
其中，ωd和ωa为预设参数，为状态-时间有向图中的网格节点，为的父节点中的速度分量，为作为终点的编辑终点，为与编辑终点之间的距离度量，为与对应父节点之间的速度变化度量。
[0057]
具体的，所述细粒度优化采用社会力模型与伴随法，其具体过程如下：
[0058]
基于所述待优化初始值通过社会力模型生成一段细粒度轨迹，并将所述细粒度轨迹与关键帧进行比较，使用伴随法计算得到预期速度集合的梯度，同时进行梯度下降更新预期速度集合，然后重复使用新的预期速度集合和所述社会力模型不断生成新的细粒度轨迹，直至达到最大预设重复次数。
[0059]
具体的，所述伴随法的目标函数表达式如下：
[0060]
[0061]
其中，ω
t
,ωv为预设参数，to为利用待优化初始值生成的细粒度轨迹，为预期速度集合，q
t
为t时刻下的关键帧，g为车辆状态更新表达式，t
o,t
＝[s,vs]|
t
为t时刻下轨迹to包含的该车辆状态。
[0062]
具体的，所述伴随法的梯度计算表达式如下：
[0063][0064]
其中，φ为该车辆的行驶方向与该车辆指向相邻车辆j的方向之间的夹角，v为预期速度集合，g为车辆状态更新表达式，为t时刻的预期速度，λ
t
为t时刻下的伴随状态。
[0065]
具体的，所述伴随状态λ
t
的表达式如下：
[0066][0067]
其中，φ为所述伴随法的目标函数，t
o,t
＝[s,vs]|
t
为t时刻下轨迹to包含的该车辆状态，g为车辆状态更新表达式。
[0068]
本发明还提供了一种交通仿真装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的基于时-空关键帧控制的交通仿真方法，其具体步骤如下：获取原始交通仿真数据，通过所述交通仿真方法进行优化，输出满足时-空关键帧控制的交通场景仿真轨迹。
[0069]
与现有技术相比，本发明的有益效果：
[0070]
(1)采用时-空关键帧控制方法对交通仿真结果进行优化，从而使得优化后的交通仿真轨迹灵活可控，且保证其仿真结果的真实性。
[0071]
(2)采用伴随法和状态-时间空间搜索结合，对关键帧约束进行由粗到细的优化，从而达到最终仿真结果的稳定收敛。
附图说明
[0072]
图1为本发明提供的一种基于时-空关键帧控制的交通仿真方法的框架流程图；
[0073]
图2为本实施例中提供的局部二维网格化的道路地图；
[0074]
图3为本实施例中提供的车辆行驶时受力示意图；
[0075]
图4为本实施例中提供的局部三维网格化的状态-时间空间图。
具体实施方式
[0076]
如图1所示，一种基于时-空关键帧控制的交通仿真方法，包括：
[0077]
步骤1、获取原始交通仿真数据：
[0078]
步骤1-1、根据交通场景道路信息构建得到二维网格化的道路地图，并对道路地图中的所有网格节点，标识出不可行驶区域、可行驶区域和车道中心区域，分别标识为0，1，2，
其中标识变量记为sign；
[0079]
如图2所示，所述不可行驶区域、可行驶区域和车道中心区域网格节点的不同标识使用不同颜色填充加以区分。
[0080]
步骤1-2、根据用户编辑信息中的编辑位置作为编辑起点进行搜索，以道路地图为基础构建目标函数为最小值的路径价值函数，求解获得用户的参考路径；
[0081]
其中，道路地图的搜索使用a*算法，具体过程为：
[0082]
首先确定作为起点的编辑起点和作为终点的编辑终点，然后重复将所述价值函数估价最小的网格节点的相邻节点加入到当前图节点集合，直至所述编辑终点被添加至当前图节点集合，回溯得到用户自定义轨迹。
[0083]
步骤1-3、在任意t时刻下，所述车辆状态包括其中为车辆在frenet坐标系中的速度和位置，v
t
,p
t
为车辆在笛卡尔坐标系中的速度和位置，θ
t
为车辆的朝向，为车辆在frenet坐标系中的期望行驶速度，pk为车辆遵循的参考路径，其编号为k。
[0084]
如图3所示，所述社会力模型对于任意一车辆，计算包括：车辆的自驱动力，使该车辆以预期行驶速度前进；车辆所遵循的参考路径的吸引力，保证该车辆运动过程中偏离参考路径的距离最小；其他相邻车辆的排斥力，保证车辆之间避免碰撞。
[0085]
最终在笛卡尔坐标系和frenet坐标系中更新所述车辆状态，获得交通场景仿真结果。
[0086]
步骤2、基于所述参考路径构建三维网格化的状态-时间空间图，计算所述状态-时间空间图中所有节点对应的可连接子节点，获得对应的状态-时间有向图；
[0087]
其中，状态-时间空间图的三个坐标轴为[s,vs,t]，其中为车辆在frenet坐标系中位置的纵向分量，为车辆在frenet坐标系中速度的纵向分量，t为时间。
[0088]
所述从某一节点[s,vs,t]可到达的所有子节点，为以最大纵向加速度分别做加速运动、减速运动或保持匀速运动后的三个节点，分别表示为：
[0089]
1)加速后到达子节点：
[0090]
2)匀速后到达子节点：
[0091]
3)减速后到达子节点：
[0092]
其中，δvs为空间离散化后坐标vs轴上的间隔步长，其计算表达式为
[0093]
δs为空间离散化后坐标s轴上的间隔步长，其计算表达式为
[0094]
为空间离散化后坐标t轴上的间隔步长，预设值相较于原始仿真时间步长稍大以降低计算和内存开销。
[0095]
如图4所示，状态-时间空间图以上述间隔步长被划分为若干网格节点，为了简洁，
图中沿时间t轴的划分表示成了若干v
s-s平面，仅展示了t＝0时刻对应的v
s-s平面的离散网格。为了展示所述状态-时间有向图，从坐标系原点出发，以带箭头的线段指向其可到达的子节点，并重复标记出子节点的可到达的子节点，直至时刻平面上的部分子节点不再延伸。
[0096]
步骤3、提取所述用户编辑信息中的关键帧并设为编辑起点进行搜索，以状态-时间有向图为基础构建目标函数为最小值的轨迹价值函数，求解所述轨迹价值函数获得由多个状态-时间有向图节点构成的粗粒度轨迹；
[0097]
步骤4、提取所述粗粒度轨迹对应的轨迹沿途预期速度集合作为待优化初始值，基于所述待优化初始值对所述交通场景仿真结果进行细粒度优化，获得满足时-空关键帧控制的交通场景仿真轨迹。
[0098]
本实施例还提供了一种交通仿真装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述的基于时-空关键帧控制的交通仿真方法。
[0099]
其具体步骤如下：获取原始交通仿真数据，通过所述交通仿真方法进行优化，输出满足时-空关键帧控制的交通场景仿真轨迹。
[0100]
本实施例设定上述步骤中提及的预设参数数值如表1所示。
[0101]
表1
[0102]