广告
基于Autoware的开源自动驾驶系统在物理测试轨道上的安全性能评估
随着自动驾驶技术的不断发展，人们越来越关注自动驾驶系统的安全性能。在实际应用中，自动驾驶系统必须能够保证在各种交通场景下的安全性，包括高速公路和城市道路等不同的路况环境。因此，对自动驾驶系统进行全面的安全性能评估至关重要。
在本文中，我们基于开源自动驾驶系统Autoware，测试了一辆装有该系统的林肯MKZ混合动力车，在物理测试轨道上连续行驶，并开发了一个增强现实的测试平台，结合了物理测试轨道和模拟环境SUMO，对该自动驾驶系统的安全性能进行了评估。本文将详细介绍我们的测试方法和结果。
方法：
测试车辆：
我们选择了一辆装有开源自动驾驶系统Autoware的林肯MKZ混合动力车进行测试。该车辆在ACM的物理多车道4公里高速公路测试轨道和Mcity的物理城市测试轨道上进行了连续行驶。
测试平台：
我们开发了一个增强现实的测试平台，该平台结合了物理测试轨道和模拟环境SUMO。通过同步真实AV和虚拟BV的运动，物理测试轨道上的真实AV可以与虚拟BV互动，就像它在一个真实的交通环境中一样，BV是根据智能测试环境控制的。我们使用与模拟研究类似的训练设置，在ACM公路段和Mcity城市段的数字双胞胎中训练智能测试环境。
安全性能评估：
我们对该自动驾驶系统在不同路况环境下的安全性能进行了评估。具体包括以下几个方面：
碰撞率估计：我们使用数字双胞胎对自动驾驶系统进行训练，并在ACM的大约156次测试和Mcity的117次测试后，估计了碰撞率。与无损检测方法的估计相比，我们的估计方法快了10^5倍，达到了30%的相对半宽。
碰撞类型和严重程度评估：我们对AV在不同碰撞类型和严重程度下的安全性能进行了评估。如图4i和j所示，AV的安全性能在不同的碰撞类型和严重程度下均表现出了良好的安全性能。
结果：
我们在ACM公路段和Mcity城市段的测试中，对Autoware开源自动驾驶系统的安全性能进行了评估。我们的测试结果表明，该系统在不同的路况环境下均表现出了良好的安全性能。具体结果如下：
碰撞率估计：我们在ACM公路段和Mcity城市段的测试中，使用数字双胞胎对自动驾驶系统进行训练，并估计了其碰撞率。在ACM的大约156次测试和Mcity的117次测试后，我们的估计方法达到了30%的相对半宽，快了10^5倍，比无损检测方法的估计（ACM为2.5×10^7，Mcity为2.1×10^7）更为准确。
碰撞类型和严重程度评估：我们对AV在不同碰撞类型和严重程度下的安全性能进行了评估。测试结果显示，在不同的碰撞类型和严重程度下，AV均表现出了良好的安全性能。
讨论：
在本文中，我们使用开源自动驾驶系统Autoware，测试了一辆装有该系统的林肯MKZ混合动力车，并使用增强现实的测试平台，结合了物理测试轨道和模拟环境SUMO，对该自动驾驶系统的安全性能进行了评估。我们的测试结果表明，该系统在不同的路况环境下均表现出了良好的安全性能。
值得注意的是，我们的测试结果可能受到许多因素的影响，包括测试车辆的性能、测试环境的不确定性等等。因此，在进行自动驾驶系统的安全性能评估时，需要考虑到这些因素，并采取适当的措施来减少其影响。
结论：
在本文中，我们基于Autoware的开源自动驾驶系统，在物理测试轨道上对其安全性能进行了评估。通过使用数字双胞胎和增强现实的测试平台，我们估计了该系统的碰撞率，并评估了其在不同碰撞类型和严重程度下的安全性能。测试结果表明，该系统在不同的路况环境下均表现出了良好的安全性能。本文的研究对于自动驾驶系统的安全性能评估有一定的参考价值，同时也为未来的相关研究提供了一些启示。
广告 
广告
编辑推荐
最新资讯
-
ISO-SPI模拟技术：高压电池BMS测试的高效解
2024-12-24 08:24
-
西门子招聘试验售后支持工程师一名
2024-12-24 08:23
-
低温环境下燃料电池汽车冷起动解析
2024-12-24 08:20
-
新能源汽车如何破解冬季续航难题？
2024-12-24 08:18
-
“买WFT赠DAQ”震撼开启，加速电车研发迭代
2024-12-24 08:17
广告
广告
