红绿灯协商
这个例子展示了如何设计和测试在十字路口通过红绿灯的决策逻辑。
简介
协商红绿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。由于红绿灯交叉路口对测试来说是危险的,因此模拟这种驾驶场景可以深入了解决策逻辑和控制器的交互。
这个例子展示了如何设计和测试协商红绿灯的决策逻辑。本例中的决策逻辑对交通灯的状态、到交通灯的距离以及到前面最近车辆的距离做出反应。在这个例子中,你将:
探索试验台模型:该模型包括交通灯传感器和环境、交通灯决策逻辑、控制和车辆动力学。
建立交通灯决策逻辑模型:红绿灯决策逻辑在领头车辆和即将到来的红绿灯之间进行仲裁。在没有车道的十字路口,为自动驾驶汽车提供了参考路径。
用红绿灯和领头车辆模拟左转:该模型用于测试在前导车辆接近十字路口时,交通灯决策逻辑和自我车辆控制之间的相互作用。
在红绿灯和十字路口模拟左转:该模型用于测试十字路口有交叉交通时,交通灯决策逻辑与自我车辆控制之间的交互。
探索其他场景:这些场景在附加条件下测试系统。
您可以应用本例中使用的建模模式来测试您自己的决策逻辑和控制,以协商红绿灯。
探索试验台模型
要探索测试台架模型,请打开项目示例文件的工作副本。MATLAB®将文件复制到示例文件夹,以便您可以编辑它们。
目录(fullfile (matlabroot,“工具箱”,“开车”,“drivingdemos”));helperDrivingProjectSetup (“TrafficLightNegotiation.zip”,“workDir”pwd);
为了探究红绿灯协商系统的行为,打开了该系统的仿真试验台模型。
open_system (“TrafficLightNegotiationTestBench”);
打开此模型将运行helperSLTrafficLightNegotiationSetup
类初始化道路场景的脚本drivingScenario
基本工作区中的对象。它运行默认的测试场景,scenario_02_TLN_left_turn_with_cross_over_vehicle
,其中包含一个自我载具和另外两个载具。该设置脚本还配置控制器设计参数、车辆模型参数和Simulink®总线信号,以定义输入和输出万博1manbetxTrafficLightNegotiationTestBench
模型。
测试台模型包含以下子系统:
传感器与环境:模拟交通灯传感器、路网、车辆以及用于仿真的摄像头和雷达传感器。
红绿灯决策逻辑:在十字路口的交通灯和其他引导车辆或交叉车辆之间进行仲裁。
Lane-Following控制器:生成纵向和横向控制。
车辆动力学:使用a建模自我载具自行车模型控件接收的命令更新其状态车道跟踪控制器子系统。
可视化:绘制仿真过程中路网、车辆、交通灯状态的世界坐标视图。
的车道跟踪控制器参考模型和车辆动力学子系统被重用高速公路车道跟踪的例子。这个例子主要关注传感器与环境而且红绿灯决策逻辑子系统。
的传感器与环境子系统负责道路网络的配置、目标车辆轨迹的定义和传感器的合成。打开传感器与环境子系统。
open_system (《TrafficLightNegotiationTestBench/Sensors and Environment》);
自我车辆上的场景和传感器由子系统的以下部分指定:
的场景的读者Block配置为接收自我车辆信息以执行闭环仿真。它在自我车辆坐标中输出车道和参与者的地面真实信息。该块读取
drivingScenario
对象变量,场景
,从基本工作空间,其中包含一个道路网络兼容TrafficLightNegotiationTestBench
模型。
绘制场景提供的道路网络。
hFigScenario = figure(“位置”, [1 1 800 600]);情节(场景中,“父”轴(hFigScenario));
这个默认场景有一个交叉路口,有一辆自我车辆、一辆先导车辆和一辆交叉交通车辆。
关闭该图形。
关闭(hFigScenario);
的跟踪与传感器融合子系统融合车辆检测驱动雷达数据发生器而且视觉检测发生器块,使用多目标跟踪块提供对象轨道周围的自我车辆。
视觉检测生成器块还提供了关于自我车辆的车道检测,有助于识别存在于自我车道中的车辆。
的交通灯传感器子系统模拟交通灯。它被配置为支持十字路口的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.
画出交通灯传感器的场景。
hFigScenario = helperPlotScenarioWithTrafficLights();
注意,这与前面的场景相同,只是增加了交通灯传感器。这些传感器在十字路口用红色圆圈表示,表示红色交通信号灯。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。
关闭该图形。
关闭(hFigScenario);
中的测试场景TrafficLightNegotiationTestBench
配置为自我车辆与之协商TL传感器1.有三种配置模式交通灯传感器子系统:
稳定的红色:TL传感器1而且TL传感器3总是处于红色状态。另外两个交通灯总是处于绿色状态。
稳定的绿色:TL传感器1而且TL传感器3总是处于绿色状态。另外两个红绿灯总是处于红色状态。
周期(默认):TL传感器1而且TL传感器3遵循循环模式:绿-黄-红与预定义的时间。其他交通信号灯也遵循循环模式:红-绿-黄与预定义的时间相辅相成TL传感器1而且TL传感器3.
方法可以在其中一种模式下配置该子系统交通灯传感器模式
面具参数。
打开交通灯传感器子系统。
open_system ([“TrafficLightNegotiationTestBench /”...传感器及环境/交通灯传感器],“力”);
的交通灯切换逻辑Stateflow®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。转换到不同的模式是基于一个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
.如果此距离小于则触发交通灯转换trafficLightStateTriggerThreshold
.此阈值目前设置为60米,可以在helperSLTrafficLightNegotiationSetup
脚本。
计算到交通灯块的距离distanceToTrafficLight
使用红绿灯的位置TL传感器1,由变量定义trafficLightPosition
.这是从交通灯位置
掩码参数交通灯传感器子系统。掩码参数的值设置为intersectionInfo.tlSensor1Position
类在基本工作区中设置的变量helperSLTrafficLightNegotiationSetup
脚本。intersectionInfo
结构的输出helperGetTrafficLightScene
函数。属性兼容的测试场景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:
ReferencePathInfo提供一个预定义的参考轨迹,在没有车道信息的情况下,自我车辆可以使用该轨迹导航。基于参考路径,自我车辆可以在十字路口直走、左转或右转。该参考路径是通过
referencePathInfo
的输出helperGetTrafficLightScene
.这个函数接受一个输入参数来指定在十字路口的行进方向。可能取值为:直
,左
,正确的
.IntersectionCenter提供场景中路网交叉口中心的位置。可以使用
intersectionInfo
的输出helperGetTrafficLightScene
.设置速度为控制器定义用户设置的速度。
交通灯决策逻辑模型
的红绿灯决策逻辑参考模型在领头车和红绿灯之间进行仲裁。它还可以根据控制器的要求,使用检测到的车道或预定义的路径计算车道中心信息。打开红绿灯决策逻辑参考模型。
open_system (“TrafficLightDecisionLogic”);
的寻找铅车子系统从输入对象轨迹中找到当前车道上的前导车。它提供了相对距离,relativeDistToLeadCar,相对速度,relativeVelocityOfLeadCar,相对于前导载具。如果没有前导车辆,则该块认为前导车辆存在于无限距离。
的仲裁逻辑状态流图使用领头车信息,并实现在十字路口的红绿灯和领头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
而且OnRedAndYellowLightDetection
.如果交通灯状态为绿色或没有检测到交通灯,则状态保持在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trafficLightDetection
而且distanceToTrafficLight
变量。在每一种状态下,计算相对于最重要物体(MIO)的相对距离和相对速度。领头车辆和红灯被认为是mio。
OnEntry:
relativeDistance = relativeDistToLeadCar
;
relativeVelocity = relativeVelocityOfLeadCar
;
OnRedAndYellowLightDetection:
relativeDistance = min(relativeDistToLeadCar,distanceToTrafficLight)
;
relativeVelocityOfLeadCar, longitude velocity = min
;
的longitudinalVelocity表示自我飞行器的纵向速度。
计算到交叉口的距离块计算从当前自我位置到交叉口中心的距离。由于十字路口没有车道,自我车辆使用这个距离退回到十字路口预定义的参考路径。
的莱恩中心决策逻辑子系统根据需要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).打开莱恩中心决策逻辑子系统。
open_system (《TrafficLightDecisionLogic/Lane Center DecisionLogic》);
的莱恩中心决策逻辑子系统主要依赖于车道检测视觉检测发生器块来估计车道中心信息,如曲率,曲率导数,横向偏移和航向角。然而,在十字路口没有车道标志可以检测。在这种情况下,可以从预定义的参考路径估计车道中心信息。
的参考路径及车道中心子系统根据当前自我姿态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
.此阈值目前设置为20米,可以在helperSLTrafficLightNegotiationSetup
脚本。
用交通灯和领头车辆模拟左转
在这个测试场景中,一辆领先的车辆在自我车道上行驶并穿过十字路口。交通灯状态为引导车辆保持绿色,为自我车辆变为红色。自驾车要跟在前车后面,过红绿灯,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”);
绘制模拟结果图。
hFigResults = helpplottrafficlightnegotiationresults (logsout);
检查结果。
的交通灯状态- TL传感器1交通灯传感器状态图TL传感器1.它从绿色变成黄色,然后从黄色变成红色,然后重复周期模式。
的相对纵向距离图中显示自我载具与MIO之间的相对距离。请注意,自我车辆在0秒到4.2秒之间跟随领先车辆,并与其保持安全距离。您还可以观察到,从4.2秒到9秒,这个距离缩短了,因为红色交通灯被检测为MIO。还请注意,当前导车辆超过MIO允许的最大距离后,没有MIO时,表示无限距离的间隙。
的自我加速图中显示了加速度剖面车道跟踪控制器.注意负加速度从4.2秒增加到4.7秒,这是对探测到红色交通灯作为MIO的反应。你还可以观察到在9秒后,响应绿灯时加速度的增加。
的自我偏航角图中显示了自我飞行器的偏航角剖面。注意12秒后的变化,这是对自我车辆左转的反应。
关闭该图形。
关闭(hFigResults);
模拟交通灯左转和交叉交通
这个测试场景是前一个场景的扩展。除了前面的条件,在这个场景中,一辆缓慢行驶的交叉交通车辆正在十字路口,而该车辆的交通灯为绿色。自我车辆应等待交叉交通车辆通过十字路口,然后左转。
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”);
绘制模拟结果图。
hFigResults = helpplottrafficlightnegotiationresults (logsout);
检查结果。
的交通灯状态- TL传感器1图与之前的模拟相同。
的相对纵向距离从10.5秒开始,绘图偏离了之前的模拟运行。注意在10秒左右10米处,交叉交通车辆被探测为MIO。
的自我加速Plot还在10.6处快速响应交叉交通车辆。你可以注意到在十字路口对交叉交通车辆做出的紧急制动反应。
的自我偏航角图中显示,自我车辆在14秒后开始左转,以回应交叉交通车辆离开十字路口。
关闭该图形。
关闭(hFigResults);
探索其他场景
在前面的小节中,您探索了scenario_03_TLN_left_turn_with_lead_vehicle
而且scenario_02_TLN_left_turn_with_cross_over_vehicle
场景。下面是与。兼容的场景列表TrafficLightNegotiationTestBench
.
场景01_tln_左转弯场景02_tln_left_turn_with_cross_over_vehicle[默认值]场景03_tln_left_turn_with_lead_vehicle场景04_tln_straight场景05_tln_straight _with_lead_vehicle
使用这些附加场景进行分析TrafficLightNegotiationTestBench
在不同的条件下。例如,在学习红绿灯决策逻辑和控制之间的交互时,从一个有红绿灯但没有车辆的十字路口的场景开始会很有帮助。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”);
使能MPC更新消息。
mpcverbosity (“上”);
结论
在本例中,您实现了红绿灯协商的决策逻辑,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