Обзор

Виртуальные сценарии вождения могут использоваться, чтобы воссоздать реальный сценарий из зарегистрированных данных о транспортном средстве. Эти виртуальные сценарии позволяют вам визуализировать и изучить исходный сценарий. Поскольку вы можете программно изменять виртуальные сценарии, можно также использовать их, чтобы синтезировать изменения сценария при разработке и оценке автономных управлений автомобилем.

В этом примере вы создаете виртуальный сценарий вождения путем генерации drivingScenario объект из данных, которые были записаны с тестового (ego) транспортного средства и файла OpenDRIVE ®. Файл OpenDRIVE описывает дорожную сеть района, где были записаны данные. Зарегистрированные данные о транспортном средстве включают в себя:

Чтобы сгенерировать и симулировать сценарий вождения, вы следуете следующим шагам:

Следующая схема показывает, как вы используете записанные данные в этом примере. Заметьте, что вы создаете сценарий вождения из файлов GPS, списков объектов лидара и OpenDRIVE. Вы используете данные камеры, чтобы визуализировать исходный сценарий и можете сравнить эти данные со сценарием, который вы генерируете. Вы также визуализируете маршрут сценария на карте, используя geoplayer.

Исследуйте записанные данные о транспортном средстве

Положения автомобиля , оборудованного датчиком были захвачены с помощью датчика UBlox GPS NEO M8N. GPS-датчик был размещен на центре крыши автомобиля , оборудованного датчиком. Эти данные сохраняются в текстовом файле EgoUrban.txt.

Положения неэговых актёров были захвачены с помощью датчика лидара Velodyne ® VLP-16 с областью значений значений 30 метров. Датчик VLP-16 был помещен на крышу автомобиля , оборудованного датчиком в положении и высоте, которые избегают столкновения датчика с корпусом автомобиля , оборудованного датчиком. Облако точек с датчика лидара было обработано на транспортном средстве, чтобы обнаружить объекты и их положения относителен автомобиль , оборудованный датчиком. Эти данные сохраняются в текстовом файле NonEgoUrban.txt.

Чтобы помочь разобраться в оригинальном сценарии, в качестве ссылки было записано видео с монокулярной камеры. Это видео также может использоваться, чтобы визуально сравнить оригинальные и сгенерированные сценарии. Предварительный просмотр этого записанного видео сохранен в файл видео urbanpreview.mp4. Вы можете скачать полный файл видео отсюда.

Сгенерируйте предварительный просмотр сценария городского трафика, используемого в этом примере.

vidObj = VideoReader('urbanpreview.mp4');
fig = figure;
set(fig,'Position',[0, 0, 800, 600]);
movegui(fig,'center');
pnl = uipanel(fig,'Position',[0 0 1 1],'Title','Urban Traffic Scenario');
plt = axes(pnl);
while hasFrame(vidObj)
    vidFrame = readFrame(vidObj);
    image(vidFrame,'Parent',plt);
    currAxes.Visible = 'off';
    pause(1/vidObj.FrameRate);
end

Хотя зона покрытия датчика может быть задана вокруг всего автомобиля , оборудованного датчиком, этот пример показывает только перспективный сценарий.

Импорт дорожной сети OpenDRIVE в сценарий вождения

Файл дорожной сети для генерации виртуального сценария был загружен из https://www.openstreetmap.org, что обеспечивает доступ к картографическим данным, полученным из толпы, по всему миру. Данные лицензированы под лицензией Open Data Commons Open Database License (ODbL), https://opendatacommons.org/licenses/odbl/. Файлы данных OpenStreetMap преобразуются в файлы OpenDRIVE и сохраняются с расширением .xodr. Используйте roadNetwork функция для импорта данных об этой дорожной сети в сценарий вождения.

Создайте объект сценария вождения и импортируйте нужную дорожную сеть OpenDRIVE в сгенерированный сценарий.

scenario = drivingScenario;
openDRIVEFile = 'OpenDRIVEUrban.xodr';
roadNetwork(scenario,'OpenDRIVE',openDRIVEFile);

Добавьте данные о автомобиле , оборудованном датчиком из GPS в сгенерированный сценарий

Данные о автомобиле , оборудованном датчиком собираются с датчика GPS и хранятся в виде текстового файла. Текстовый файл состоит из трех столбцов, в которых хранятся значения широты, долготы и временной метки для автомобиля , оборудованного датчиком. Используйте helperGetEgoData функция для импорта данных ego vehicle из текстового файла в структуру в рабочей области MATLAB ®. Структура содержит три поля, задающие широту, долготу и временные метки.

egoFile = 'EgoUrban.txt';
egoData = helperGetEgoData(egoFile);

Вычислите траекторные точки пути автомобиль , оборудованный датчиком из зарегистрированных координат GPS. Используйте latlon2local функция для преобразования необработанных координат GPS в локальные Декартовы координаты на востоке-севере-вверх. Преобразованные координаты определяют траекторные точки пути автомобиля , оборудованного датчиком.

% Specify latitude and longitude at origin of data from OpenDRIVE file. This point will also define the origin of the local coordinate system.
alt = 540.0; % Average altitude in Hyderabad, India
origin = [17.425853702697903, 78.44939480188313, alt]; % [lat, lon, altitude]
% Specify latitude and longitude of ego vehicle
lat = egoData.lat;
lon = egoData.lon;
% Compute waypoints of ego vehicle
[X,Y,~] = latlon2local(lat,lon,alt,origin);
egoWaypoints(:,1) =  X;
egoWaypoints(:,2) =  Y;

Визуализируйте GPS- пути автомобиля , оборудованного датчиком с помощью geoplayer объект.

zoomLevel = 17;
player = geoplayer(lat(1),lon(1),zoomLevel);
plotRoute(player,lat,lon);
for i = 1:length(lat)
    plotPosition(player,lat(i),lon(i));
end

Использование helperComputeEgoData для вычисления скорости и значений угла рыскания автомобиля , оборудованного датчиком в каждой временной метке данных датчика.

[egoSpeed,egoAngle] = helperComputeEgoData(egoData,X,Y);

Добавьте автомобиль , оборудованный датчиком в сценарий вождения.

ego = vehicle(scenario,'ClassID',1,'Length',1,'Width',0.6,'Height',0.6);

Создайте траекторию для автомобиля , оборудованного датчиком из вычисленного набора точек пути ego и скорости. Автомобиль , оборудованный датчиком следует по траектории с заданной скоростью.

trajectory(ego,egoWaypoints,egoSpeed);

Добавьте актёров, не являющихся Ego, из списков объектов лидар в сгенерированный сценарий

Данные актёра, не являющегося эго, собираются с датчика лидара и хранятся в виде текстового файла. Текстовый файл состоит из пяти столбцов, в которых хранятся идентификаторы актёра x-положения, y-положения, z- положения и значения временных меток, соответственно. Используйте helperGetNonEgoData функция для импорта данных актёра, не являющегося эго, из текстового файла в структуру в рабочей области MATLAB ®. Выходы представляют собой структуру с тремя полями:

nonEgoFile = 'NonEgoUrban.txt';
nonEgoData = helperGetNonEgoData(nonEgoFile);

Использование helperComputeNonEgoData вычислить точки пути траектории и скорость каждого актёра, не являющегося эго, в каждой временной метке. Путевые точки траектории вычисляются относительно автомобиля , оборудованного датчиком.

actors = unique(nonEgoData.ActorID);
[nonEgoSpeed, nonEgoWaypoints] = helperComputeNonEgoData(egoData,egoWaypoints,nonEgoData,egoAngle);

Добавьте актёров, не являющихся эго, в сценарий вождения. Создайте траектории для актёров, не являющихся эго, из вычисленного набора точек пути актёра и скорости.

for i = 1:length(actors)
    actor = vehicle(scenario,'ClassID',1,'Length',1,'Width',0.6,'Height',0.6);
    trajectory(actor,nonEgoWaypoints{i},nonEgoSpeed{i});
end

Визуализируйте актёров автомобиля , оборудованного датчиком и неэго, которые вы импортировали в сгенерированный сценарий. Также визуализируйте соответствующие траекторные точки пути автомобиль , оборудованный датчиком и non-ego актёров.

% Create a custom figure window and define an axes object
fig = figure;
set(fig,'Position',[0, 0, 800, 600]);
movegui(fig,'center');
hViewPnl = uipanel(fig,'Position',[0 0 1 1],'Title','Ego Vehicle and Actors');
hCarPlt = axes(hViewPnl);

% Plot the generated driving scenario.
plot(scenario,'Parent',hCarPlt);
axis([270 320 80 120]);
legend('Imported Road Network','Lanes','Ego Vehicle','Actor 1','Actor 2','Actor 3','Actor 4','Actor 5')
legend(hCarPlt,'boxoff');

figure,
plot(egoWaypoints(:,1),egoWaypoints(:,2),'Color',[0 0.447 0.741],'LineWidth',2)
hold on
cMValues = [0.85 0.325 0.098;0.929 0.694 0.125;0.494 0.184 0.556;0.466 0.674 0.188;0.301 0.745 0.933];
for i =1:length(actors)
    plot(nonEgoWaypoints{i}(:,1),nonEgoWaypoints{i}(:,2),'Color',cMValues(i,:),'LineWidth',2)
end
axis('tight')
xlabel('X (m)')
ylabel('Y (m)')
title('Computed Ego Vehicle and Actor Trajectories')
legend('Ego Vehicle', 'Actor 1', 'Actor 2', 'Actor 3','Actor 4','Actor 5','Location','Best')
hold off

Моделирование и визуализация сгенерированного сценария

Постройте график сценария и соответствующий график погони. Запустите симуляцию, чтобы визуализировать сгенерированный сценарий вождения. Актёры автомобиля , оборудованного датчиком и неэго следуют своим соответствующим траекториям.

% Create a custom figure window to show the scenario and chase plot
close all;
figScene = figure('Name','Driving Scenario','Tag','ScenarioGenerationDemoDisplay');
set(figScene,'Position',[0, 0, 1032, 1032]);
movegui(figScene,'center');

% Add the chase plot
hCarViewPanel = uipanel(figScene,'Position',[0.5 0 0.5 1],'Title','Chase Camera View');
hCarPlot = axes(hCarViewPanel);
chasePlot(ego,'Parent',hCarPlot);

% Add the top view of the generated scenario
hViewPanel = uipanel(figScene,'Position',[0 0 0.5 1],'Title','Top View');
hCarPlot = axes(hViewPanel);
plot(scenario,'Parent',hCarPlot);
% Set the axis limits to display only the active area
xMin = min(egoWaypoints(:,1));
xMax = max(egoWaypoints(:,1));
yMin = min(egoWaypoints(:,2));
yMax = max(egoWaypoints(:,2));
limits = [xMin xMax yMin yMax];
axis(limits);

% Run the simulation
while advance(scenario)
    pause(0.01)
end

Сводные данные

Этот пример показывает, как автоматически сгенерировать виртуальный сценарий вождения из данных о транспортном средстве, записанных с помощью датчиков GPS и лидара.

Вспомогательные функции

helperGetEgoData

Эта функция считывает данные автомобиля , оборудованного датчиком из текстового файла и преобразует в структуру.

function [egoData] = helperGetEgoData(egoFile)
%Read the ego vehicle data from text file
fileID = fopen(egoFile);
content = textscan(fileID,'%f %f %f');
fields = {'lat','lon','Time'};
egoData = cell2struct(content,fields,2);
fclose(fileID);
end

helperGetNonEgoData

Эта функция считывает обработанные данные лидара из текстового файла и преобразуется в структуру. Обработанные данные лидара содержат информацию об актерах, не являющихся эго.

function [nonEgoData] = helperGetNonEgoData(nonEgoFile)
% Read the processed lidar data of non-ego actors from text file.
fileID = fopen(nonEgoFile);
content = textscan(fileID,'%d %f %f %f %f');
newcontent{1} = content{1};
newcontent{2} = [content{2} content{3} content{4}];
newcontent{3} = content{5};
fields = {'ActorID','Position','Time'};
nonEgoData = cell2struct(newcontent,fields,2);
fclose(fileID);
end

helperComputeEgoData

Эта функция вычисляет скорость и угол рыскания автомобиля , оборудованного датчиком на основе точек пути траектории и временных меток.

function [egoSpeed, egoAngle] = helperComputeEgoData(egoData, X, Y)
egoTime = egoData.Time;
timeDiff = diff(egoTime);
points = [X Y];
difference  = diff(points, 1);
distance  = sqrt(sum(difference .* difference, 2));
egoSpeed = distance./timeDiff;
egoAngle = atan(diff(Y)./diff(X));
egoAngle(end+1) = egoAngle(end);
egoSpeed(end+1) = egoSpeed(end);
end

helperComputeNonEgoData

Эта функция вычисляет скорость и угол рыскания каждого актёра, не являющегося эго, на основе точек пути траектории и временных меток. Скорость и угол рыскания вычисляются относительно автомобиля , оборудованного датчиком.

function [nonEgoSpeed, nonEgoWaypoints] = helperComputeNonEgoData(egoData, egoWaypoints, nonEgoData, egoAngle)

actors = unique(nonEgoData.ActorID);
numActors = length(actors);

nonEgoWaypoints = cell(numActors, 1);
nonEgoSpeed     = cell(numActors, 1);

for i = 1:numActors
    id = actors(i);
    idx = find([nonEgoData.ActorID] == id);
    actorXData = nonEgoData.Position(idx,1);
    actorYData = nonEgoData.Position(idx,2);
    actorTime = nonEgoData.Time(idx);
    actorWaypoints = [0 0];
    
    % Compute the trajectory waypoints of non-ego actor
    [sharedTimeStamps,nonEgoIdx,egoIdx] = intersect(actorTime,egoData.Time,'stable');
    tempX = actorXData(nonEgoIdx);
    tempY = actorYData(nonEgoIdx);
    relativeX = -tempX .* cos(egoAngle(egoIdx)) + tempY .* sin(egoAngle(egoIdx));
    relativeY = -tempX .* sin(egoAngle(egoIdx)) - tempY .* cos(egoAngle(egoIdx));
    actorWaypoints(nonEgoIdx,1) = egoWaypoints(egoIdx,1) + relativeX;
    actorWaypoints(nonEgoIdx,2) = egoWaypoints(egoIdx,2) + relativeY;
    
    % Compute the speed values of non-ego actor
    timeDiff = diff(sharedTimeStamps);
    difference = diff(actorWaypoints, 1);
    distance   = sqrt(sum(difference .* difference, 2));
    actorSpeed = distance./timeDiff;
    actorSpeed(end+1) = actorSpeed(end);
    
    % Smooth the trajectory waypoints of non-ego actor
    actorWaypoints = smoothdata(actorWaypoints,'sgolay');
    
    % Store the values of trajectory waypoints and speed computed of each non-ego actor
    nonEgoWaypoints(i) = {actorWaypoints};
    nonEgoSpeed(i) = {actorSpeed'};
end
end