介绍

通过交通灯的决策逻辑是自动驾驶应用程序的基本组成部分。决策逻辑必须对诸如交通灯和周围车辆的状态等输入做出反应。然后，决策逻辑为控制器提供所需的速度和路径。由于交通灯交叉路口的测试是危险的，模拟这样的驾驶场景可以洞察决策逻辑和控制器之间的相互作用。

这个例子展示了如何设计和测试通过交通灯的决策逻辑。本例中的决策逻辑对红绿灯的状态、到红绿灯的距离以及到前面最近的车辆的距离作出反应。在这个例子中，你会:

您可以应用本示例中使用的建模模式来测试您自己的决策逻辑和控制以通过交通灯。

探索试验台模型

要探索测试平台模型，请打开项目示例文件的工作副本。MATLAB®复制文件到一个示例文件夹，以便您可以编辑它们。

目录(fullfile (matlabroot,“工具箱”，“开车”，“drivingdemos”））;helperDrivingProjectSetup (“TrafficLightNegotiation.zip”，“workDir”pwd);

为探究红绿灯协商系统的行为，建立了该系统的仿真试验台模型。

open_system (“TrafficLightNegotiationTestBench”)；

打开这个模型运行helperSLTrafficLightNegotiationSetup脚本，该脚本使用drivingScenario对象在基本工作区中。它运行默认的测试场景，scenario_02_TLN_left_turn_with_cross_over_vehicle它包含一个自我载体和另外两个载体。该设置脚本还配置控制器设计参数、车辆模型参数和定义输入和输出所需的Simulink®总线信号万博1manbetxTrafficLightNegotiationTestBench模型。

测试台模型包含以下子系统:

的后巷控制器参考模型和车辆动力学子系统从高速公路车道后的例子。本例的重点是传感器和环境和交通灯决策逻辑子系统。

的传感器和环境子系统配置道路网络，定义目标车辆轨迹，并综合传感器。打开传感器和环境子系统。

open_system (“TrafficLightNegotiationTestBench /传感器和环境”)；

ego车辆上的场景和传感器由子系统的以下部分指定:

绘制场景提供的道路网络。

hFigScenario =图(“位置”， [1 1 800 600]);情节(场景中,“父”轴(hFigScenario));

这个默认场景有一个十字路口，有一辆自我车辆、一辆前导车辆和一辆交叉交通车辆。

关闭图。

关闭(hFigScenario);

的跟踪与传感器融合子系统从驾驶雷达数据发生器和视觉检测发电机通过使用多目标跟踪块提供围绕自我车辆的物体轨迹。

视觉检测发生器模块还提供了针对自我车辆的车道检测，以帮助识别存在于自我车道中的车辆。

的红绿灯传感器子系统模拟交通灯。它被配置为在十字路口支持四个交通灯传感器万博1manbetx，TL传感器1，TL传感器2，TL传感器3,TL传感器4．

用红绿灯传感器绘制场景。

hFigScenario = helperPlotScenarioWithTrafficLights ();

注意，这是与之前相同的场景，只是添加了交通灯传感器。这些传感器用十字路口的红色圆圈表示，表示红色的交通信号灯。红绿灯的标签1，2，3.，4对应于TL传感器1，TL传感器2，TL传感器3,TL传感器4,分别。

关闭图。

关闭(hFigScenario);

中的测试场景TrafficLightNegotiationTestBench自我车辆的配置是这样的吗TL传感器1．有三种配置方式红绿灯传感器子系统:

可以使用这些模式之一来配置这个子系统红绿灯传感器模式面具参数。

打开红绿灯传感器子系统。

open_system (“交通灯协商测试台/传感器和环境/交通灯传感器”，“力”)；

的交通灯转换逻辑statflow®图表实现了四个交通灯传感器的交通灯状态变化逻辑。所有交通灯的初始状态都设置为红色。切换到不同的模式是基于触发条件定义的自我车辆的距离TL传感器1红绿灯。这个距离由变量定义distanceToTrafficLight．如果这个距离小于，交通灯转换就会触发trafficLightStateTriggerThreshold．这个门槛目前设置为60米，并可以在helperSLTrafficLightNegotiationSetup脚本。

计算距离交通灯块计算distanceToTrafficLight使用红绿灯的位置TL传感器1，由变量定义trafficLightPosition．这是从红绿灯的位置掩模参数红绿灯传感器子系统。mask参数设置为intersectionInfo.tlSensor1Position控件在基本工作区中设置的变量helperSLTrafficLightNegotiationSetup脚本。intersectionInfo的输出helperGetTrafficLightScene函数。此功能用于创建与TrafficLightNegotiationTestBench模型。

交通灯决策逻辑和控制器需要以下输入来实现其功能:

模型交通灯决策逻辑

的交通灯决策逻辑参考模型在引导车和交通灯之间进行仲裁。它还根据控制器的要求计算车道中心信息，使用检测到的车道或预定义的路径。打开交通灯决策逻辑参考模型。

open_system (“TrafficLightDecisionLogic”)；

的发现领导的车子系统从输入对象轨道中找到当前车道上的前导车。它提供了相对距离，relativeDistToLeadCar，和相对速度，relativeVelocityOfLeadCar，相对于前车而言。如果没有前导车辆，则该区块认为前导车辆存在于无限远的距离内。

的仲裁逻辑状态流图使用了前导车信息，实现了在交叉口交通灯和前导车之间进行仲裁所需的逻辑。打开仲裁逻辑Stateflow图表。

open_system (“TrafficLightDecisionLogic /仲裁逻辑”)；

的仲裁逻辑状态流程图由两种状态组成，OnEntry和OnRedAndYellowLightDetection．如果交通灯状态为绿色或没有交通灯检测到，状态保持为OnEntry状态。如果交通灯状态为红色或黄色，则状态转换为OnRedAndYellowLightDetection状态。控制流在这些状态之间切换基于trafficLightDetection和distanceToTrafficLight变量。在每个状态下，计算与最重要物体(MIO)的相对距离和相对速度。前车和红灯被认为是mio。

OnEntry：

relativeDistance = relativeDistToLeadCar；

relativeVelocity = relativeVelocityOfLeadCar；

OnRedAndYellowLightDetection：

relativeDistance = min (relativeDistToLeadCar distanceToTrafficLight)；

relativeVelocity = min (relativeVelocityOfLeadCar longitudinalVelocity)；

的longitudinalVelocity代表自我载体的纵向速度。

计算到交集的距离块计算从当前自我位置到交集中心的距离。因为十字路口没有车道，自我车辆使用这个距离返回到十字路口预定义的参考路径。

的车道中心决策逻辑子系统根据要求计算车道中心信息路径跟踪控制系统(模型预测控制工具箱)．打开车道中心决策逻辑子系统。

open_system (交通灯决策逻辑/车道中心决策逻辑)；

的车道中心决策逻辑子系统主要依赖于车道检测视觉检测发电机块估计车道中心信息，如曲率，曲率导数，横向偏移，和方向角。然而，在十字路口没有车道标记来检测。在这种情况下，可以从一个预定义的参考路径估计车道中心信息。

的参考路径巷中心子系统根据当前的自我位姿和预定义的参考路径计算车道中心信息。交换机已配置为使用LaneCenterFromReferencePath当DistanceToIntersection小于referencePathSwitchThreshold．这个门槛目前设置为20米，并可以在helperSLTrafficLightNegotiationSetup脚本。

用红绿灯和前车模拟左转

在这个测试场景中，一辆前车在自我车道行驶并穿过十字路口。交通灯状态保持绿色为前车和红色为自我车辆。自我车辆应该跟随领头车辆，通过交通灯，然后左转。

配置TrafficLightNegotiationTestBench模型来使用scenario_03_TLN_left_turn_with_lead_vehicle场景。

helperSLTrafficLightNegotiationSetup (“scenario_03_TLN_left_turn_with_lead_vehicle”)；要减少命令窗口输出，首先关闭MPC更新消息。mpcverbosity (“关闭”)；%模拟模型。sim卡(“TrafficLightNegotiationTestBench”)；

绘制仿真结果。

hFigResults = helperPlotTrafficLightNegotiationResults (logsout);

检查结果。

关闭图。

关闭(hFigResults);

模拟左转交通灯和交叉交通

这个测试场景是对前一个场景的扩展。除了前面的条件，在这个场景中，当交通灯是绿色的时候，一个缓慢移动的交叉交通车辆在十字路口。自我车辆应等待交叉交通车辆通过十字路口后再左转弯。

配置TrafficLightNegotiationTestBench模型来使用scenario_02_TLN_left_turn_with_cross_over_vehicle场景。

helperSLTrafficLightNegotiationSetup (“scenario_02_TLN_left_turn_with_cross_over_vehicle”)；%模拟模型。sim卡(“TrafficLightNegotiationTestBench”)；

绘制仿真结果。

hFigResults = helperPlotTrafficLightNegotiationResults (logsout);

检查结果。

关闭图。

关闭(hFigResults);

探索其他场景

在前面的部分中，您研究了scenario_03_TLN_left_turn_with_lead_vehicle和scenario_02_TLN_left_turn_with_cross_over_vehicle场景。下面是兼容的场景列表TrafficLightNegotiationTestBench．

scenario _01_tln_left - turn scenario_02_TLN_left_turn_with_cross_over_vehicle[默认]scenario_03_TLN_left_turn_with_lead_vehicle scenario_04_TLN_straight scenario_05_TLN_straight_with_lead_vehicle

使用这些额外的场景进行分析TrafficLightNegotiationTestBench在不同条件下。例如，在学习交通灯决策逻辑和控制之间的相互作用时，从一个有交通灯但没有车辆的十字路口开始会很有帮助。要为这样的场景配置模型和工作区，请使用以下代码:

helperSLTrafficLightNegotiationSetup (“scenario_04_TLN_straight”)；

启用MPC更新消息。

mpcverbosity (“上”)；

结论

在本例中，您实现了交通灯协商的决策逻辑，并在闭环Simulink模型中使用车道跟踪控制器对其进行了测试。万博1manbetx