技术领域
[0001] 本
发明涉及计算机仿真技术，尤其涉及一种智能车的智能交通仿真系统及其仿真方法。
背景技术
[0002] 近年来，
汽车的到广泛应用，由此产生各种交通问题日益增多，为了有效地解决各种交通问题，业界高度重视智能车辆的研究。智能车辆作为目前国内外智能交通领域研究的热点之一，其研究目的是希望通过综合运用各种先进技术构建包含信息
感知、智能决策和多层次辅助驾驶等功能的综合系统，从而提升车辆的操纵
水平，保障公路交通的安全运行。然而通过在真实场景下构建智能汽车对所研究的内容进行测试的方法存在成本高昂、安全性能较差、开发周期较长等缺点。而现有的仿真平台只能依赖实车采集数据，
数据采集难度高，导致数据量不足以完善模型，所以只能进行有限的仿真，并且实车采集数据成本高，耗费人
力物力较多。
发明内容
[0003] 有鉴于此，本发明的目的是提供一种智能车的智能交通仿真系统及其仿真方法，以解决现有仿真平台数据采集难度高和成本高的问题。
[0004] 本发明所采用的第一技术方案是：
[0005] 一种智能车的智能交通仿真系统，包括：
[0006] 三维虚拟驾驶环境模
块，用于对智能汽车的行驶状态进行仿真；
[0007] 获取
训练数据模块，用于从所述三维虚拟驾驶环境模块获取训练数据；
[0008] 训练模型模块，用于根据所述训练数据训练驾驶模型；
[0009] 所述三维虚拟驾驶环境模块设有外部控制
接口，用于对智能汽车进行控制。
[0010] 进一步，所述三维虚拟驾驶环境模块包括：
[0011] 环境模型子模块，用于对环境和环境中的车辆进行仿真；
[0012] 汽车模型子模块，用于在所述环境模型子模块中运动，以实现对智能汽车的行驶状态进行仿真。
[0013] 进一步，所述环境中的车辆为含智能驾驶控制的汽车模型单元。
[0014] 进一步，所述汽车模型子模块包括：
[0015] 外观模型单元，用于对所述智能汽车的外观进行仿真；
[0016] 动力学模型单元，用于对所述智能汽车的动力学特性进行仿真，配合外观模型单元，构成智能汽车模型；
[0017] 驾驶模型单元，用于对所述的智能汽车模型进行控制；
[0018] 所述外部控制接口设置在驾驶模型单元上。
[0019] 进一步，所述获取训练数据模块包括：
[0020] 指令获取子模块，用于获取所述三维虚拟驾驶环境模块中智能汽车的指令数据；
[0021] 状态获取子模块，用于获取所述三维虚拟驾驶环境模块中的环境状态数据和智能汽车的状态数据；
[0022] 所述三维虚拟驾驶环境模块中的环境状态数据、智能的汽车指令数据和智能汽车的状态数据共同构成训练数据。
[0023] 进一步，所述训练模型模块包括：
[0024] 图像修正子模块，用于修正所述训练数据中的图片的零点和畸变；
[0025] 数据扩充子模块，用于根据所述图像修正子模块修正后的训练数据，扩充所述驾驶模型的数据样本；
[0026]
深度学习子模块，用于根据所述驾驶模型的数据样本，训练驾驶模型；
[0027] 模型保存子模块，用于保存所述深度学习子模块训练得到的驾驶模型。
[0028] 进一步，所述的智能车的智能交通仿真系统及其仿真方法还包括模型输入模块，所述模型输入模块包括：
[0029] 汽车模型输入模块，用于向所述三维虚拟驾驶环境模块输入外观模型和动力学模型；
[0030] 驾驶模型输入模块，用于向所述三维虚拟驾驶环境模块输入已经训练好的驾驶模型；
[0031] 进一步，所述模型输入模块还包括真实数据输入子模块，用于向所述三维虚拟驾驶环境模块输入实车采集数据。
[0032] 进一步，所述的智能车的智能交通仿真系统及其仿真方法还包括驾驶模型
可视化模块，所述驾驶模型可视化模块包括：
[0033] 反
卷积神经网络子模块，用于根据所述驾驶模型生成可视化数据；
[0034] 显示子模块，用于根据所述可视化数据生成识别结果。
[0035] 本发明所采用的第二技术方案是：
[0036] 一种智能车的智能交通仿真系统的仿真方法，包括以下步骤：
[0037] 从三维虚拟驾驶环境模块获取训练数据；
[0038] 利用深度学习训练得到驾驶模型；
[0040] 在三维虚拟驾驶环境模块进行仿真。
[0041] 与
现有技术相比较，本发明的有益效果是：利用三维虚拟驾驶环境模块进行仿真训练，相较于在真实场景下的实车训练，降低了试错成本，提高了开发的安全性。
附图说明
[0042] 图1为本发明
实施例一种智能车的智能交通仿真系统的第一种模块
框图；
[0043] 图2为本发明实施例一种智能车的智能交通仿真系统三维虚拟驾驶环境模块的模块框图；
[0044] 图3为本发明实施例一种智能车的智能交通仿真系统的第二种模块框图；
[0045] 图4为本发明实施例一种智能车的智能交通仿真系统的仿真方法的步骤图。
具体实施方式
[0046] 以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
[0047] 如图1所示，本发明实施例提供了一种智能车的智能交通仿真系统，包括：
[0048] 三维虚拟驾驶环境模块，用于对智能汽车的行驶状态进行仿真；
[0049] 获取训练数据模块，用于从所述三维虚拟驾驶环境模块获取训练数据；
[0050] 训练模型模块，用于根据所述训练数据训练驾驶模型；
[0051] 所述三维虚拟驾驶环境模块设有外部控制接口，用于对智能汽车进行控制。
[0052] 智能汽车，在普通车辆的
基础上增加了
传感器、控制器、执行器等装置的汽车，具备智能的环境感知能力。
[0053] 驾驶模型，是智能汽车的控制部分，能根据所述三维虚拟驾驶环境模块中的
视野图像，直接输出期望的指令值；所述期望的指令值包括所述
油门踏板行程、
刹车踏板行程、
方向盘角度和按钮状态。
[0054] 通过智能车的智能交通仿真系统及其仿真方法，能够进行智能汽车
算法从训练到验证的全过程开发，并能在算法进行实车验证之前，利用三维虚拟驾驶环境进行仿真，完善算法。
[0055] 进一步作为优选的实施方式，所述三维虚拟驾驶环境模块包括：
[0056] 环境模型子模块，用于对环境和环境中的车辆进行仿真；
[0057] 汽车模型子模块，用于在所述环境模型子模块中运动，以实现对智能汽车的行驶状态进行仿真。
[0058] 进一步作为优选的实施方式，所述环境中的车辆为含智能驾驶控制的汽车模型单元。
[0059] 如图2所示，环境模型子模块2012包括：
[0060] 车道模型单元20121，用于在三维虚拟驾驶环境模块201中模拟各种车道，如双向四车道路况、高速路路况和立交桥
匝道路况等。
[0061] 天气模型单元20122，用于在三维虚拟驾驶环境模块201中模拟各种天气及其光线条件，如晴天、阴天、下雨天、下
雪天和大雾天等。
[0062] 标识模型单元20123，用于在三维虚拟驾驶环境模块201中模拟各种标识，如交通
信号灯、交通标识牌和斑
马线等。
[0063] 行人模型单元20124，用于在三维虚拟驾驶环境模块201中模拟行人的行走情况。
[0064] 含智能驾驶控制的汽车模型单元20125，在三维虚拟驾驶环境模块201中控制除测试车外的其他汽车行驶，该智能控制器的控制算法是通过深度学习得到的。使用深度学习算法构建三维虚拟驾驶环境模块201内其他车辆的驾驶控制器，使三维虚拟驾驶环境模块内其他车辆的驾驶行为与实际情况更接近，提高了仿真的可信性。
[0065] 进一步作为优选的实施方式，所述汽车模型子模块包括：
[0066] 外观模型单元，用于对所述智能汽车的外观进行仿真；
[0067] 动力学模型单元，用于对所述智能汽车的动力学特性进行仿真，配合外观模型单元，构成智能汽车模型；
[0068] 驾驶模型单元，用于对所述的智能汽车模型进行控制；
[0069] 所述外部控制接口设置在驾驶模型单元上。
[0070] 如图2所示，所述汽车模型子模块2011包括：
[0071] 外观模型单元20111，用于模拟不同车型的外形外观；
[0072] 动力学模型单元20112，用于确定车辆的动力学特性，如悬架特性，
发动机特性等；
[0073] 外部控制接口20113，用于从外部输入待验证的驾驶模型。
[0074] 进一步作为优选的实施方式，所述获取训练数据模块包括：
[0075] 指令获取子模块，用于获取所述三维虚拟驾驶环境模块中智能汽车的指令数据；
[0076] 状态获取子模块，用于获取所述三维虚拟驾驶环境模块中的环境状态数据和智能汽车的状态数据；
[0077] 所述三维虚拟驾驶环境中模块的环境状态数据、智能的汽车指令数据和智能汽车的状态数据共同构成训练数据。
[0078] 指令数据，包括油门踏板行程、
刹车踏板行程、方向盘角度和按钮状态；
[0079] 环境数据，包括智能汽车状态数据和环境状态数据；智能汽车状态数据包括汽车的油门开度、速度、
加速度、横摆
角速度和
车轮转角；环境状态数据包括由车载摄像头获取到的视野图像和由GPS
定位系统获取到的
位置。
[0080] 进一步作为优选的实施方式，所述训练模型模块包括：
[0081] 图像修正子模块，用于修正所述训练数据中的图片的零点和畸变；
[0082] 数据扩充子模块，用于根据所述图像修正子模块修正后的训练数据，扩充所述驾驶模型的数据样本；
[0083] 深度学习子模块，用于根据所述驾驶模型的数据样本，训练驾驶模型；
[0084] 模型保存子模块，用于保存所述深度学习子模块训练得到的驾驶模型。
[0085] 图像修正子模块对输入图像进行标准化处理，修正输入图像的零点和畸变。
[0086] 数据扩充子模块通过扩充驾驶模型的数据样本，提高驾驶模型的鲁棒性。
[0087] 深度学习子模块用于训练驾驶模型，包括
监督学习部分和
强化学习部分，能够根据需要，选用监督学习部分或强化学习部分进行训练；若选用监督学习部分，模型根据实车采集的或从仿真环境内得到的带有数据标签的图像进行学习；若选用强化学习部分，驾驶模型直接根据仿真环境内得到的无数据标签的图像进行学习，并能进行
自学习。
[0088] 模型保存子模块用于保存训练好的驾驶模型。
[0089] 进一步作为优选的实施方式，所述的智能车的智能交通仿真系统及其仿真方法还包括模型输入模块，所述模型输入模块包括：
[0090] 汽车模型输入模块，用于向所述三维虚拟驾驶环境模块输入外观模型和动力学模型；
[0091] 驾驶模型输入模块，用于向所述三维虚拟驾驶环境模块输入已经训练好的驾驶模型；
[0092] 进一步作为优选的实施方式，所述模型输入模块还包括真实数据输入子模块，用于向所述三维虚拟驾驶环境模块输入实车采集数据。
[0093] 通过真实数据输入子模块，能够对现实发生的智能汽车事故进行还原，方便分析事故原因。也可以将实车采集数据输入训练模型模块，对驾驶模型进行训练。
[0094] 进一步作为优选的实施方式，所述的智能车的智能交通仿真系统及其仿真方法还包括驾驶模型可视化模块，所述驾驶模型可视化模块包括：
[0095] 反卷积神经网络子模块，用于根据所述驾驶模型生成可视化数据；
[0096] 显示子模块，用于根据所述可视化数据生成识别结果。
[0097] 驾驶模型可视化模块主要用于工程师后期直观和主观判断模型效果，不用于网络训练。反卷积神经网络子模块通过对驾驶模型的输出数据进行反卷积，得到驾驶模型的标定图像，显示子模块则将驾驶模型的标定图像
叠加到驾驶模型的原始输入图像上，得到直观的识别结果，以此可以判定驾驶模型的训练效果。
[0098] 智能车的智能交通仿真系统及其仿真方法的驾驶模型训练相关模块如图3所示，获取训练数据模块301从三维虚拟驾驶环境模块获取训练数据；其中，指令获取子模块3011从三维虚拟驾驶环境模块中获取指令数据，状态获取子模块3012从三维虚拟驾驶环境模块中获取环境数据。所述训练数据输入到训练模型模块302中，通过图像修正子模块3021修正训练数据中图像的零点和畸变；数据扩充子模块3022将修正后的训练数据扩充至驾驶模型的数据样本；深度学习子模块3023根据驾驶模型的数据样本对驾驶模型进行深度学习训练；模型保存子模块3024将训练后的驾驶模型进行保存，从而得到驾驶模型。或者直接通过模型输入模块303输入实车采集数据、汽车模型和驾驶模型，其中，真实数据输入子模块3031负责输入实车采集数据，汽车模型输入子模块3032负责输入汽车模型，驾驶模型输入子模块3033负责输入驾驶模型。驾驶模型可视化模块304中反卷积神经网络子模块3041通过对驾驶模型的输出数据进行反卷积，得到可视化数据，显示子模块3042再将可视化数据叠加在从三维虚拟驾驶环境模块获取的图像上，实现驾驶模型的可视化。
[0099] 本发明实施例还提供了一种智能车的智能交通仿真系统的仿真方法，如图4所示，包括以下步骤：
[0100] S1、从三维虚拟驾驶环境模块获取训练数据；
[0101] S2、利用深度学习训练得到驾驶模型；
[0102] S4、将驾驶模型输入到智能驾驶控制器中；
[0103] S5、在三维虚拟驾驶环境模块中进行仿真。
[0104] 其中训练数据可以通过三维虚拟驾驶环境模块获取，也可以通过实车采集获取。通过将训练数据输入训练模型模块，利用深度学习算法对驾驶模型进行训练，从而得到训练后的驾驶模型。最后将驾驶模型输入到三维虚拟驾驶环境模块的智能驾驶控制器中，实现对智能汽车的仿真测试。
[0105] 智能车的智能交通仿真系统及其仿真方法进行仿真的步骤也可以如图4所示，包括：
[0106] S3、输入训练好的驾驶模型；
[0107] S4、将驾驶模型输入到智能驾驶控制器中；
[0108] S5、在三维虚拟驾驶环境模块中进行仿真。
[0109] 综上所述，本发明的实施例具有以下效果：能够进行智能汽车算法从训练到验证的全过程开发，并能在算法进行实车试验之前，利用三维虚拟驾驶环境模块进行仿真，完善算法，大大降低了试错成本，也提高了开发的安全性。同时能使驾驶模型可视化，能让研究人员直观地观看驾驶模型的效果。并能够根据需要，对现实发生的智能汽车事故进行还原，方便分析事故原因。而且使用深度学习算法训练三维虚拟驾驶环境内其他车辆的驾驶控制器，使三维虚拟驾驶环境内其他车辆的驾驶行为与实际情况更接近，提高了仿真的可信性。
[0110] 以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何
修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
