[发明专利]一种用于自动驾驶汽车仿真的环境传感器模拟方法

权利要求书

1.一种用于自动驾驶汽车仿真的环境传感器模拟方法，所述自动驾驶汽车上装载有多种传感器，包括激光雷达、毫米波雷达和摄像头，其特征在于，所述环境传感器模拟方法包括以下步骤：

1)在自车的配置文档中设置传感器配置信息并定义探测目标类型

1-1)设置传感器配置信息，包括传感器类型，以及自车坐标系下传感器的探测角度、探测半径、横向安装位置和纵向安装位置；

1-2)将传感器探测目标类型分为道路使用者与静态物体两类，分别进行如下定义：

1-2-1)道路使用者，包括若干车辆和行人

令各车辆分别由长方体目标框表征，令车辆的属性包括车辆类型和车辆的状态信息，该状态信息包括车辆目标框的长和宽，大地坐标系下车辆的位置、速度、加速度、横摆角和横摆角速度；令各行人分别由圆柱体目标框表征，令行人的状态信息包括行人目标框的半径，以及大地坐标系下行人的位置、速度和加速度；

1-2-2)静态物体，包括若干静态障碍物、车道线、交通号志和红绿灯

令各静态障碍物分别由长方体或圆柱体目标框表征；其中，由长方体目标框表征的静态物体的状态信息包括长方体目标框的长和宽，以及大地坐标系下静态物体的位置和朝向角；由圆柱体目标框表征的静态物体状态信息包括圆柱体目标框的半径和大地坐标系下静态物体的位置；

令各车道线分别由通过摄像头对相应车道线进行采样所确定的若干个采样点表征，令车道线的属性包括车道线相对自车的方位、车道线的类型、以及由车道线上各采样点在自车坐标系下相对自车的位置所构成的车道线状态信息；

所述交通号志由禁止交通标志和强制性标志组成，所述禁止交通标志包括限速标志和停止标志，所述强制性标志包括方向号志；令交通号志的属性包括交通号志的类型和交通号志的状态信息，令限速标志的状态信息为其限速大小，以正整数表示，令停止标志的状态信息为0，令强制性标志的状态信息为允许车辆行驶的方向；

令所述红绿灯的状态信息为各信号灯的颜色；

2)引入测量误差，对数值类测量量分别构建各传感器的测量量模型，对非数值类测量量即探测目标类型分别构建各传感器的探测类型模型，分别描述如下：

2-1)构建各传感器的测量量模型

2-1-1)对于用目标框表征的探测目标分别构建激光雷达和摄像头测量量模型，表达式如下：

式中，角标w取lidar时代表激光雷达、取camera时代表摄像头，角标m表示激光雷达或摄像头测量的一个探测目标的测量量总个数；为激光雷达或摄像头测量量模型的输出矩阵，作为仿真环境下激光雷达或摄像头各测量量的估计值；state_w为仿真环境下与激光雷达或摄像头对应的各测量量的真实值state_{w_g}构成的矩阵，作为激光雷达或摄像头测量量模型的输入矩阵；E_w为与各测量量的真实值state_{w_g}对应的数值误差E_{w_g}构成的数值误差矩阵，令各数值误差分别均为零均值且彼此独立的高斯白噪声，为激光雷达或摄像头的各测量量的方差；

2-1-2)构建车道线曲线检测模型，表达式如下：

式中，为车道线曲线检测模型确定的车道线状态矩阵，通过在仿真环境下车道线的真实状态矩阵Line_state中引入车道线数值误差矩阵E_Line得到；point_r为构成车道线真实状态矩阵Line_state的第r个采样点在自车坐标下相对自车的位置，即point_r＝(x_{LinePoint，r}，y_{LinePoint，r})；E_{line_r}为与point_r相对应的车道线数值误差，各车道线数值误差均分别为零均值且彼此独立的高斯白噪声，为车道线各采样点测量值的方差；

对车道线状态矩阵中的各采样点进行曲线拟合，得到车道线曲线的估计值作为车道线曲线检测模型的输出；

2-1-3)构建毫米波雷达测量量模型

构建极坐标系下毫米波雷达测量量模型，表达式如下：

式中，为极坐标系下毫米波雷达测量量模型的输出矩阵，作为仿真环境下用极坐标表达的毫米波雷达各测量量的估计值，包括探测目标相对于毫米波雷达径向距离的估计值径向距离变化率的估计值和方位角的估计值state_{O_Radar}为仿真环境下用极坐标表达的毫米波雷达各测量量真实值构成的矩阵，作为极坐标系下毫米波雷达测量量模型的输入，包括探测目标相对于毫米波雷达径向距离的真实值R、径向距离变化率的真实值RangeRate和方位角的真实值φ；E_{O_Radar}为与毫米波雷达各测量量真实值对应的数值误差构成的数值误差矩阵，由距离误差N(0，σ_R)、距离测量偏差N(0，σ_R，Bias)、径向速度误差N(0，σ_RangeRate)和方位角误差N(0，σ_φ)组成，σ_R，σ_R，Bias，σ_RangeRate，σ_φ分别对应个测量量的方差；

将极坐标系下毫米波雷达测量量模型转换为笛卡尔坐标系下毫米波雷达测量量模型，表达式如下：

式中，为笛卡尔坐标下毫米波雷达测量量模型的输出矩阵，由方位角估计值以及笛卡尔坐标下探测目标相对于毫米波雷达的横向距离估计值纵向距离估计值横向速度估计值和纵向速度估计值组成；为极坐标系下根据毫米波雷达速度估计方法得到的探测目标相对于毫米波雷达的切向速度；

2-2)构建探测目标类别模型

对类别判别过程构造一种随机转移过程，表达式如下：

式中，C为由与探测目标的真实类型type类似的若干类型构成的常返集，各类型分别代表一种状态，N_C为常返集C内的状态总数；D为由与探测目标的真实类型type较相异的若干类型构成的非常返集，各类型分别代表一种状态，N_D为非常返集D内的状态总数；P_type(step)为step步转移概率矩阵，表示经过step步后探测目标类型模型识别的探测目标类型转移到各状态的概率；P_type(step)中的元素p_ij(step)表示经过step步后由状态i转移到状态j的概率；a为某一传感器判定某探测目标类型正确的概率，b是在相异类中的所有状态保留在相异类的概率；设各传感器探测目标类型模型的初始分布均为均匀分布；

3)以能包络自车上装载的所有传感器的探测范围的区域作为自车的探测区域；设定仿真环境下自车探测范围内所有探测目标的真实信息，该真实信息包括探测目标的类型和状态；其中，对于以目标框表征的探测目标，按照各探测目标与自车的欧氏距离由近至远进行排序，将被欧氏距离较近的探测目标遮挡的欧氏距离较远的探测目标视为无法探测目标，自车探测区域内的其余探测目标作为可探测目标；

4)将筛选的自车探测范围内各可探测目标的真实信息分别输入步骤2)构建的相应模型中，得到不同传感器对各可探测目标相对于自车的测量量估计值；将各测量量估计值作为所述环境传感器模拟方法的最终结果输出。