【《基于Prescan自动驾驶车辆编队探究》12000字】

绪论1.1研究背景现在，随着信息社会和人类智能生活应用模式的快速融合发展，通过产业革新，汽车技术的革新和商业模式的革新，汽车的发展追求着成长空间，也加速了汽车自身的变革。无人驾驶的发展搭上似乎加快了自身的脚步，尤其时其中的无人驾驶技术的发展。自动无人驾驶的技术平台自动化和汽车通用自动化技术平台已经开始逐步形成并发展成为中国经济的两大支柱产业。在我国汽车电子工业的快速发展中，驾驶仿真技术受到了大家的关注和欢迎。汽车在进行规模化落地量产之前，必须进行充分的功能安全和性能安全试验验证，以确保驾驶员和其他交通参与者的安全。测试内容包括传感器、算法、执行器、人机界面等。仿真测试可以从应用功能、性能的稳定性和鲁棒性，以及功能安全、预期功能安全、形式认证等各个方面的测试中综合考虑，从而可以确保车辆能够自主上路。现在，在汽车模拟仿真领域广泛使用的是预扫描技术、汽车SIM、Simulink。但这些软件都是有各有千秋，都有自身独特的要点。SIM适用于构建驾驶场景和选择传感器。在构建动态模型后，Carsim适合分析比较，Simlink是适用于控制算法和信号通信的设计，与Matlab可以联合仿真。同时，自动驾驶场景设计在成本、环保、安全和自动驾驶等领域具有不可比拟的优势。首先，自动驾驶使驾驶更加安全。根据国家统计局最新统计数据，2019年以来全国大型汽车道路交通安全事故事件累计至少发生十六万起，十五万五千人员受伤，四万五千人以上人员死亡。交通事故的主要原因中90%以上可能是由于人为失误原因造成的。自动驾驶能有效地避免人为事故。其次，自动驾驶可以改善交通拥堵的局面。据2020年数据显示，北上广深等特大城市的通勤时间都在80分钟以上，自动驾驶技术逐渐普及，人们在车上更有效地利用多出来的时间去处理其他的事情。第三，自动驾驶可以提高资源利用的效率。据研究，传统汽车有60%的时间都在被闲置。而自动驾驶的出现可以有效地优化这个局面。与此同时，专家们还提出了车辆编队方式。车辆编队的编队控制主要集中在编队、编队转换和编队维护上。有关车辆编队控制的研究类似于编队控制战略的研究。编队控制问题是控制多个车辆的车体的运动形式，当多个车辆的车体向预定的目标或方向移动时，可以维持规定的队形，防止遇到障碍物或环境限制。1.2研究意义自动驾驶的产业化发展受到许多国家的青睐。然而，目前自动安全驾驶的快速落地已经需要大量车载压力传感器的技术支持和批量生产，其中传感器的研发成本已是一大痛点。在当前车辆信息计算系统资源有限的现实情况下，传感器所能产生的各种海量信息数据缓存使得自动无人驾驶汽车任务的实时性难以得到满足，这已经成为自动无人驾驶汽车技术进一步快速发展的重要技术障碍。基于对协同驾驶车辆任务的协同联合计算处理，可以有效充分利用多辆车型协同驾驶车辆的联合计算网络资源，自动实现协同联合驾驶已经成为汽车解决这一复杂问题的有效途径。如何才能使多兵种车辆同时编队向前移动，实现不同交通场景下的编队通过，将是实现自动协同驾驶的要点。本文选取不同的交通场景并建立了其仿真场景，利用prescan仿真对所建立的虚拟场景进行了验证。在不同场景下，比较了自主车辆编队的通行速度。通过不同交通场景下的道路行驶数据，在prescan软件中再现真实的车辆行驶场景。然后我们为不同场景中的测试提供支持。1.3国内外研究现状仿真是自动驾驶大规模商业化的必要条件。自动驾驶着地最大的疼痛是成本，模拟测试将节省自动驾驶的大量开发测试成本变成GPU的材料成本和为工程师的积累许多的知识经验，大大缓解自动驾驶开发成本高的这个困难。为了加速自动驾驶的测试开发，需要通过软件的模拟、软件环境测试（SIL）、硬件环境测试（HIL）、车辆环境测试（VHIL）、或者必须组合一定的模拟技术，进行平台化和通用化。其中还包括混合模拟。通过对车辆动力学模型、传感器模型、控制器模型和综合交通环境的模拟，对自动操纵机器车辆的功能模块进行了模拟和评价。通过构建现实场景，在环境中进行虚拟和真实的交互测试，结合一定的评价指标，综合评价自动驾驶。2006年，M.BUhren团队根据硬件环（HIL）法对自动驾驶机的车辆的传感器、通信系统、功能模块进行了评价。使用软件在环（SIL）上实时模拟硬件构成、车辆动力学、交通环境，验证了控制算法的有效性。2007年，Smith等根据国家交通事故数据银行GES（一般推定系统）、NMVCS（国家汽车碰撞原因调查）和系统（系统）选择了测试场面。2010年，科密歇根大学的Y教授通过基于模型的优化技术，识别了富有挑战性的极端场景，在最恶劣的情况下模拟试验自动驾驶车，判断了车辆控制系统的薄弱部分。2015年，美国密歇根大学的赵丁和彭辉将实际运转环境分解为不同场景，这些场景易于模拟和反复测试，通过重要性采样（is）提取重要场景，加速对这些特定场景的测试评价。2016年，Waymo以仿真的方式驾驶自动驾驶的车辆控制系统在非常复杂的道路场景中行驶了25亿英里。这种结合实际和模拟评价的加速方法非常有效。2017年5月，BaekyuKim等人将测试覆盖标准作为输入，自动生成虚拟道路环境（即测试用例）作为输出，快速构建高品质的模拟环境，提高虚拟模拟评价效率。2017年8月，田宇驰等人提出了基于深度神经网络（DN）的自动驾驶软件的模拟和评价方法。deep-test根据软件运行测试环境的实际性能变化自动创建生成测试用例，通过自动生成每个测试用例输入，搜索dn测试逻辑的不同组成部分，最大化被软件激活的测试神经元数。并且，对自动无人驾驶安全系统产品进行了更全面的性能测试和使用评价。2008年，我国的张涛等人将人工智能技术集成到用于验证和评估自动驾驶仪智能行为的虚拟场景中，为自动驾驶仪车辆的测试构建了智能虚拟测试场景和评估提供了必要条件。随着现代人们对安全舒适性和驾驶生活体验的不断提高追求，自动安全驾驶已经逐渐成为我国汽车行业发展的新战略方向。目前，自动汽车驾驶技术可以被分为以下两类。一直都是目前汽车无人驾驶的发展热点，而目前的汽车现状更多是强调智能汽车的完全自主自动驾驶，以能够提高汽车驾驶舒适性或者是降低汽车人工成本为两大发展目标，目前最为引人注目的产品就是百度和谷歌的两款无人驾驶智能汽车;ADAS(AdvancedDriverAssistanceSystem，高级机动驾驶员驾车辅助信息系统)汽车发展历史悠久，从1970年起就开始在百度汽车厂区内布局，二者均通过采用直接安装在车上的各种电子传感器直接采集驾驶数据，并通过结合百度地图等大数据技术进行信息系统分析计算，从而可以实现机动行车行驶路线的准确规划，控制机动车辆行驶达到一个预定驾驶目标。然而，ADAS也完全可以把它看作这就是打造无人驾驶电动车辆的一个前提。随着人们追求安全舒适的驾驶体验，汽车发展的新趋势之一为自动驾驶。如今的自动驾驶分为两种：一个是无人驾驶的热点，主要强调汽车的是自主驾驶，让驾驶员“自由”，提高驾驶的舒适性，减少人工费的两个目标。现在最受关注的是BAIDU的“ApolloGo”和GOOGLE的无人驾驶车GoogleDriverlessCar。并且高级驾驶员辅助系统的发展历史也有很长的一段时间了。1970年以来智能化也开始发展，其中汽车工业逐渐智能化，通过车内各种传感器收集数据，结合地图数据系统进行计算，实现了运行路线的计划，控制车辆，达成了预定目标。但是，ADAS也可以说是无人驾驶的前提。随着ADAS功能的增加，无人车的功能也越来越发达了。通过美国NTHSA的基本定义和应用分类，汽车的自动安全驾驶可以分为四个主要阶段。如图1-1所示，该传动技术的快速发展目前已经处于推进汽车工业自动化的一个L2阶段。图1-1汽车自动驾驶技术发展阶段自动驾驶已经成为世界汽车工业发展战略的最高点，我国国内政策也相继出台。汽车的生产力离不开人们的日益增长的需求，汽车的生产力离不开自动驾驶技术的高效发展。如今有许多的国家把自动驾驶发展纳入国家至关重要的战略规划中，时刻做好准备，争夺未来汽车产业发展战略高地，在汽车产业转型升级中等待时机抓住机遇。比如在2016年9月发布的美国联邦《自动驾驶车政策指南》一样，手册的部分内容主要目的是为了政府继续大力推进自动无人驾驶类汽车的安全技术监督和性能测试。随后，美国在2018年10月正式发布《未来交通准备:自动驾驶器3》型并提出了交通系统作为整体的自动出行安全模块和自动安全驾驶和汽车的安全模块融合解决方案。2017年，日本通过了“2017年正式ITS概念和路线图”开始走向自动驾驶的规范化道路。与此同时提出了日本自动驾驶的车辆开发时间规划。计划在2020年之前实现了汽车l3自动安全驾驶系统功能在全国高速公路上正常运行，在特定紧急地区可以实现l4级自动安全驾驶的广泛应用。而在此之前，欧洲各国也在开始与知名的车企合作，推出了智能车的技术和运行标准。中国也对于自动驾驶出台了相关的战略政策。比如：汽车产业的中长期发展规划、“智能汽车创新发展战略（草案）”、“汽车互联网产业发展行动计划（智能网络联盟）”等多个文件对自动驾驶产业提出了明确的具体发展计划。北京市走在支持自主驾驶发展政策的前列。2020年4月13日，北京市宣布设立智能网车政策引导区，鼓励全面验证。智能网车按照政策引导区域率实施先行测试运行和商业运营服务，自主车辆可以在城市的快速道路和高速公路上进行测试。然后，自己开了出租车，可以收费运营了。除了试图从汽车中撤出安全相关人员外，这些都是首创的支援政策。另外，上海、无锡、深圳、广州等城市政府也提出了一系列建设城市级智能交通系统的政策。1.4本文研究内容本文主要研究内容如下：常见的交通场景的选取与分析，主要分析不同交通场景发生的条件、情况以及影响车队通行效率的因素，并将其特征进行提取，得到相关参数；运用Prescan软件对各个交通场景进行建模搭建，主要选取城市道路和高速公路；仿真测试数据分析，通过收集的数据，分析不同交通场景下自动驾驶车辆编队的特性并归纳总结。本文的章节安排如下：1.第一章介绍现阶段国内外研究现状，并简要介绍了国内外自动驾驶产业的研究与发展，还有其社会需求。2.第二章介绍不同场景的交通流特点，同时总结并介绍为何选取该场景作本文的研究场景。3.第三章车辆编队的基本介绍，以此为基础开始进行场景设计搭建。首先介绍Prescan的基本情况，后开始基于PreScan的车辆编队自动驾驶的场景设计介绍，在软件的车模中加入传感器。5.第四章，介绍了搭建的场景和车辆的数据采集过程，同时接入算法并介绍编队的运动情况并得出结论。

2自动驾驶车辆编队场景设计分析2.1道路的基本特性道路交通系统包括三个部分：人、车、道路。道路是汽车交通的基础，交通分析的重点是研究道路交通系统基本要素的特征和道路交通系统各组成要素的特征，本章重点研究以下要素：在分析不同道路交通特征的基础上，从典型公路场景中选取场景搭建，进而介绍自动驾驶车辆编队的基本理论。高速公路、一级道路禁止拖拉机、摩托车、自动三轮车、低性能车等车辆行驶。行驶的铁路车辆主要包括有轻型商用汽车、长途汽车、小型商用卡车、集装箱运输车等。在一些靠近市区旅游购物中心和大城市的机场高速公路和靠近机场区的高速公路上，小轿车车辆数量所占比例明显地要高于普通卡车，矿区、制造、加工区的工业区、农作物种植区、林区的机场高速公路上的小卡车数量比例一般较高。道路公共交通量一般来说是公共专用汽车、公共机动汽车、自行车的车辆数量和占重比例比其他城市道路小，但是使用卡车和小型拖拉机的道路交通量比其他城市道路大型机动车辆的道路交通量的比重大。城市与城镇的交界处的普通道路交通量的基本构成主要有城市进入出口和人口的道路，以及郊外城市结合部，也就是城市道路和普通城市道路之间的一个过渡区间，其中的交通量道路构成基本特性应该兼备具有城市道路和普通道路的基本特性，然而两者不同，例如公共租赁汽车、小型摩托车、私家车的所占比例比普通的路和城市高速公路低，比城市公路还高。尤其是在上班早晚峰值的时间段，人流量大，然而此时出入城市与城镇的交界处却比较少。出入口道路越靠近城市，其交通量的构成特性与城市道路交通量的特性相近。越是靠近城镇乡村，交通量的基本特性就越接近城镇的。2.1.1高速公路交通特征（1）车速过快根据《道路交通安全法》，应标明高速公路行驶速度。最高速度不得超过120km/h，最低速度不得低于60km/h，道路限速信号机显示的速度与前一信号机不兼容时，应按道路限速信号机显示的速度激活。而对于城市道路而言，城市道路最低速度为30公里/小时。（2）道路设施比较完善高速公路的需求带来了高成本，但同时也带来了高质量。高速公路的路障设施及服务区设施齐全，道路分割明显。在相应的车辆输入前会给出相应的工具提示，弯道和交叉路口有足够的距离，但弯道类似于一条直线，使驾驶员长时间在舒适的环境中驾驶。如果减少对驾驶员的监控后，就会导致交通事故。2.1.2城市道路交通特征（1）类型复杂城市道路的形状有棋盘形、带状、放射形、环形等，也有几种类型的交叉口（如交叉口等），在不同的布局下，会有不同的交通效率，特别是行人要素，行人交通特征是行人速度。（2）道路设施不完善城市道路设施较为复杂，但也影响车队的效率，如果红绿灯与道路不协调，很容易使车队行驶速度变慢，而且周围商铺多，行人拥挤，车辆通行困难。（3）有许多十字路口，容易发生事故首先，从日常生活的交通拥挤地点场景来看，城市拥挤发生口主要集中在城市道路区、城市交叉口、城乡接合部（城乡接合部）出入口和非机动车道上。城市中心区道路交通事故数量最多，与城区路段通行密集有关；最后，交叉口及受交叉口影响区域的事故数量相对较高，30%的城市道路交通事故发生在交叉口，由于非机动交通线路交通空间和环境的恶化，对普通车和电动汽车的需求不断增加，近五年来，非机动车交通事故最为突出，近五年来，非机动车道路交通事故增长了3%，尤其在2016年，非机动车道的交通事故增加了8%以上，因此，在车队控制过程中，必须保持跟车距离，以避免车辆碰撞。2.2车辆编队简介车辆自主训练的研究来自多代理系统（MAS）的研究。作为汽车道路协同系统热点和前沿技术的重要主题，主要针对复杂多样的交通环境中的自动驾驶的汽车，调整自身的速度和方向它可以与附近的自主车辆保持相对稳定的几何位置和运动状态。为了实现多个自主车辆之间的协同运行行为以通信为基础。车辆编队的控制是对车辆横向特性、纵向特性、横向控制的综合和并对其参数的完善。车辆编队的控制很大程度的提升了汽车队伍的稳定性和灵活性，有效简化了交通的复杂性，提高了交通的安全性和适应能力。另外，根据目前车辆在在编队高速行驶的车辆空气对流动力学数据分析统计数据可以显示，车辆在在编队高速行驶期间可以有效利于降低其他车辆行驶受到的空气阻力，减少行驶车辆的空气耗油量，有效利于提高车辆能源综合利用率。如上所述，研究车辆编队的控制有相当实际的意义。车辆编队控制主要包括训练，车辆编队控制的研究与多智能体编队控制战略的研究类似，训练控制的问题是控制多智能体群的几何结构。当多智能体组向预定目标或方向移动时，可以使组保持装配队形以避免达到环境障碍和限制。2.3车队形成2.3.1基于行为法编队如何将全体编队按照我们的要求形成目标队形，对各编队的独特设计及各自的车辆运动规则和局部控制策略。基于各种形式的思想（例如，沿指定方向行驶，避免方向变化后车辆的变化，障碍物等人等），每个运动的最终形成规则和本地控制规则与个人规则和本地规则集成。融合的方法随之对应的变换，具体取决于仿真设置的环境和任务的要求。该方法是基于分散行动法的一种典型的分散控制设计方式，具有较高容错性、可靠性等分散控制的三大优点，并行性和实时性良好。然而，由于这种控制方法本身具有一定的技术缺陷，并且根据给定的特定编队行为控制规则完全可以执行这列编队的运动，所以对此方法进行严格的数学分析设计是有一定的困难的。2.3.2模型预测控制方法模型预测控制考虑周围环境随时间随机性的变化以及控制过程中的随机性，在线迭代优化计算和滚动实现，并在预测过程中获得全局最优解，执行相应的反馈控制。模型预测控制更强并且该方案结合轧制优化和反馈控制来增强实时，以确保一定程度的处理约束。模型预测控制方法也具有一定的缺陷。作为典型的全局优化控制方法，局部稳定性难以处理，并且计算量也很大，因此在实时计算和分散中进一步研究。2.3.3虚拟结构法虚拟队型结构队形法则就是将一个车辆进行编队中的队形按照规定设计好并构成一定的形状的一种刚性结构虚拟队形结构，如果这样做是移动各个队形跟踪器的刚性结构虚拟队形结构节点中的多个不同的队形参照的节点，则车辆编队队形能够同时得到所有人希望不同形状的车辆队形。要成功实现这个简单方法就只需要3个基本步骤。首先，定义我们希望的文件刚性值和虚拟文件结构。之后，将基于虚拟整体结构的一个整体运动队形的内心运动轨迹变换为另一个人内心期待整体运动时的轨迹。最后，得到每个编队成员整体的飞行轨迹运动跟踪以及控制操作规则。虚拟运动结构法的其基本设计思想将是在编队个体中的各组个体之间分别规定好一定的相对几何立体形状，将他们之间看作刚体的一种虚拟运动结构，参照刚体系统与之使编队中各个体的空间相对运动位置，并保持不变，多个编队个体之间可以将刚体队列上的多个不同点作为各自的运动跟踪目标一并形成一定的整体队形。虚拟编队结构法控制是典型的集中型编队控制系统方法，与各种队形的运动维持、方向盘的转换等各种编队路线整体控制相关性还是很大的，并且其控制任务完成效率高，同时它还有极好的编队路线运动跟踪控制效果。2.3.4领航跟随者方法头车跟进方法的基本想法是，全体编队中首先选择一个头车，其他编队的个人是顺从者，从属者按照一定的跟踪控制规则追踪头车将整个编队的运动控制问题转化为关注者跟踪控制问题。如果需要控制编队队形，只要给头车运动规则，就可以设定随从者的追踪规则。随从车辆可以以一定的位置和姿势追踪头车。全体编队可以按照给定的期待队形进行运动。头与追踪车辆的运动队形配对控制基本设计配对方法的基本设计思想也就是对整个头车编队的两个车辆个体之间进行形状配对，选择另一个导频作为配对导频，根据我们设计的头车跟踪配对战略，将一个导频和头车关注者之间个体期待的相对时间距离和头车期望的相对距离角度作为一个导频和头车关注者之间的一个实际配对参数可以达到一个预期值。因此，领航员的车辆编队导航控制任务完成了。图2-1领航者跟随结构领航跟随者法的实际上就是通过对头车的选定，将队形控制问题转化为跟随者与领航者之间保持一定的相对距离和相对角度，保持跟随模式。从而缓解车辆编队控制问题的难度。领航跟随者的编队控制的思想关键在于明确头车的行车的路线的情况下，通过跟随者设计控制算法，控制车队的这一目标就较为简单且容易实现。跟随结构如图2-1所示。设计一个能够被组合成一个指定基本队形的各种局部基本队形行为方法也较为困难的。如何使车辆形成快速稳定的队列是首先要考虑的问题。其主要目的是使车辆在自动驾驶条件下自主形成目标队列，如何在训练中形成多辆车的形态并完成驾驶任务也是实现其编队协同自动驾驶的关键。车辆编队是指车辆经过目标训练后，能够平稳、快速地到达目标位置，训练的维持问题是在多智能体形成预定的几何结构后，如何维持相同的训练，以完成后续的运动和任务。2.4场景的设计通过以上场景介绍和车辆编队的介绍，接下来选择城市十字路和的直行路和高速公路，进行场景制作。进行场景构筑后，取构筑中的场景速度、位置等数据，然后连接matlab，用simlink取得数据进行分析。流程图3-2所示。图2-2场景设计流程

2.5本章小结本章分析了高速公路和城市道路的特点，并对城市道路、高速公路进行了划分，分析了各类型道路的道路特点。确定了不同车辆在不同场景下形成的交通效率作为研究的主要内容。为接下来的场景建设做好准备。同时选取好典型的交通场景，并进行场景搭建后获取数据分析。

3基于Prescan的交通场景搭建3.1Prescan软件介绍Prescan是汽车驾驶软件系统Prescan是技术研究所的子公司，荷兰国家应用程序（TNO）由汽车AADAS型号和自动仿真软件作为摄像机雷达的汽车开发，支持GPS，V2V，V2I，V2I模拟开发和应用许多应用功能，例如用于主动安全系统和高级支持系统设计的V2X传感器仿真软件，它可以为车辆测试场景创建一个平台迅速地。与此同时，该软件具有良好的图形交互式界面，提供各种各种型号传感器。支持开发和使用相机雷达，GPS和汽车网络软件的功能，而是提供各种图像格式，而且还包括天气和现场状态，软件提供的车辆的变化非常简单，无法完全反映车辆的真实动态。在正常的汽车道路行驶环境中，我们甚至可以通过评估一辆汽车的道路智能安全控制系统。此外，使用PreScan设计高级控件和其他提前报警系统。车辆运动传感器安全可以做到高于车辆安全性。该软件由7个模块组成。提供所有高级试点支持系统。3.2Prescan的应用1）自动紧急制动（AEB）2）自适应巡航控制系统（ACC）3）道路偏离警告和道路保持辅助系统（LDW/LKA）4）行人检测与规避5）盲点预警与变道辅助（BSW/LCA）6）智能前照灯系统（IHS）7）停车辅助和阻塞救援（backupaid）8）交通信号识别（TSR）9）碰撞缓解制动系统（CMB）10）夜视功能（NV）3.3Prescan的工作流程1）生成方案2）建立传感器模型3）运行试验4）增加控制系统图3-1prescan工作流程3.4场景搭建根据论文实验的需求，将场景设计分为静态和动态部分进行阐述：静态部分将为交通场景的搭建（城市道路和高速公路），还包括周围的道路设施；而动态部分将为传感器和车辆的选取，以及算法的接入。3.4.1静态部分搭建图3-2用户界面（1）用户界面首先打开用户界面，如图3-2。（2）城市和高速公路场景搭建静态场景主要包括道路、路侧设备、道路标识、路面附着物、天气等。其中最重要的就是路径的设置和车辆的设置。道路设计：从界面左侧ROADSEGMENT选取STRAIGHTROAD，如图3-3所示。左键拖动到右侧工作区，在界面右侧的设置区域内对道路参数进行设置，包括道路长度、车道宽度、是否有人行道等覆盖路面（影响道路附着系数）。在道路选择的时候，结合现实生活的实践，参照生活实际地图进行道路模拟设计。道路设施的选择：道路设施包括路侧设备，如图4-3所示，其中路侧设备包括路边的绿化、建筑物、路灯、交通指示灯、路边警示牌等，树木可以从界面左侧ENVIRONMENT-NATUREELEMENTS中选择，建筑物从INFRASTRUCTRUE-BUILDINGS中选择，交通指示灯、路边警示牌从INFRASTRUCTRUE-TRAFFICSIGNS中选择，其中交通指示灯和交通警示牌可以选择其具体高度和按功能选取。图3-3道路设计界面图3-4道路设施界面高速公路场景由环岛和4条直行道组成（图3-5），路径由红线标出。图3-5高速公路场景城市道路的搭建则是由一个十字交叉路口（图3-6）完成。图3-6城市十字交叉路口3.4.2动态部分搭建动态场景可以分为传感器及车辆的选择和同时包括天气的选择。该编队共有3辆车，天气包括有晴天和雨天两种不同的情况。为了拥有的更好的视角，选择了相机传感器，视角为驾驶员视角。随后，在设置天气情况。图3-7雨天设置图3-8驾驶员视角以上为城市道路的场景动态部分的搭建过程，高速道路搭建情况与此类似。编队情况如图3-9所示，编队以直行的方式进行运动。图3-9车辆编队情况并且在编队好后，设置动力学模型，并且设置“pathfollower”。图3-10跟随模式开启3.5本章小结本章简单的介绍了Prescan该软件的基本功能和侧重方向，同时还介绍了Prescan的基本工作流程，为下一章的联合仿真打下基础。

4自动驾驶车辆编队速度分析在完成了上文中搭建场景设计后，本章将用matlab与Prescan所建立的场景相连接，从simulink中获取编队在通行时的速度变化并以图表的形式展开。4.1算法接入车辆编队是由小轿车（Audi）来组成，场景为十字交叉路口，同时由于不利天气条件是影响公路交通安全和机动性的重要因素。天气条件分为雨天和晴天两种情况。以下为连接matlab的情况（图4-1和图4-2）。图4-1车辆编队数量图4-2联合仿真的界面随后在simulink中设置采取车辆数据，采用“simout”来采集车辆的运行速度，本次仿真将仿真时间设置为“20s”。图4-3数据采集界面图4-4编队运行界面根据以上仿真界面，开始接入算法。算法的控制目的是使车辆编队的在运行的过程中保持编队模型，跟随头车的变化而变化并且一直运动，通过“simout”模块采集出除了头车之外的（以下称“2号车与3号车”）的速度变化。图4-5部分算法界面4.2速度结果分析4.2.1城市道路通行速度分析城市道路的车辆编队的头车车速为30m/s,所以将会采集头车的速度以及2号车的车速，并且是否一致，与此同时，在雨天的情况下时，车辆的运行速度与晴天时的区别。图4-6头车的通行速度图4-7头车的速度变化曲线头车速度变化如图4-7所示，横坐标是时间（s），纵坐标为（速度），初速度为30m/s。同时图4-7中，天气的条件较为理想的情况下，加速度的变化为平缓上升。之后采集2号车的速度，横纵坐标单位与头车一样。以同样的初速度出发。图4-82号车的速度图4-92号车的速度变化图4-10晴天两者比较图4-11雨天头车速度图4-12雨天头车加速度变化图4-13雨天2号车速度图4-142号车的速度变化图4-15两者的比较4.2.2高速公路通行速度分析与城市道路的交通场景一样，在不同的天气下，编队通过的速度的一个比较。以下为晴天的场景，图4-11货车头车通行的速度图4-12头车变化速度曲线图4-132号车通行速度图4-142号车的速度变化图4-15两者速度比较晴天的驾驶条件相对理想，而雨天的情况下，车辆的行驶速度会受到相对的影响，且车速的变化幅度相对较大。图4-16头车雨天行驶速度图4-17头车变化的速度图4-172号车的行驶速度图4-162号车速度变化图4-15雨天比较速度由图所示，在雨天的情况下，在2号车的速度与头车的速度比较下有少许波动。由此看出算法的不足，对于雨天的环境，跟随车辆无法与头车保持一致的速度，得出误差较大；而在跟随的过程中，采集的数据生成的曲线的幅度较小，比较的过程较为困难等。在雨天的过程中，头车的速度和2号车（跟随）的速度相比突出的幅度还是较大的，并且与晴天的速度相比较，曲线的浮动也就是速度的变化还是较大的。4.3本章小结本章介绍了算法接入的过程，以及编队的一些基本情况。经过采集的数据转化为图表的表格，在天气不同的情况下速度的变化情况，并得出结论，同时还阐述算法的不足之处。结论近年来，车辆仿真技术开始走进大众的视野。根据应用需要，对子系统从原理与数据上进行计算机建模，建立子系统的仿真模型。具体到智能驾驶，就是把智能驾驶的某个功能或者零部件的原理或者特性在计算机上尽可能逼真地建立数字化模型。在交通仿真的过程中，首先可以厘清交通运行的内在规律，掌握交通是什么样、为什么这样、这样下去会怎么样。然后科学运用交通运行规律辅助城市空间规划和管理工作更加科学合理。还要为城市中的人提供一系列认识城市空间发展演变的途径，从人的出行需求出发描绘一个更加高效可达的城市。本文的主要工作有：①对近年来自动驾驶的发展进行了总结和分析；②对不同的场景分析和比较，并确定了本文所需要搭建的场景；③对车辆编队的模式进行了总结和分析；④运用Prescan对城市道路和高速公路场景进行建模，并导入Simulink控制模型，采集了在各场景和不同天气情况中的通行速度。综上所述，本文以城市道路和高速公路为基础，采集货车和小车两者的通行速度，对他们的通行速度做了初步的探究。对车辆编队在不同的场景中的研究有一定的参考价值。在搭建的场景的选取上只选择了平直的城市道路和高速公路，缺少了对弯道及上下坡等道路形状下的仿真场景，在路面情况的选择中，以水泥路面和沥青路面为主，天气只对比了雨天和晴天。此外，本文仿真时只选择驾驶员视角，且传感器过于简单。在车辆运动方面，本文只考虑了车辆编队的直行运动，没有转弯或者换道。且道路上没有前方障碍物，在后续的研究中需要对控制策略进行进一步的完善，涵盖更多的行驶情况和道路类型。

参考文献姜家如，刘君程，宋绍文，罗传东，王涛，李石.基于Prescan进行CIDAS场景建设[J].汽车实用技术，2021，46(06):58-59.庄琼倩，陈波，吴贤静.基于Prescan的自然驾驶场景构建与研究[J].汽车实用技术，2021，46(07):30-31.陆一弘.PreScan/CarSim/Simulink联合仿真方法研究[J].佳木斯大学学报(自然科学版)，2020，38(05):118-121.朱鹏飞，梁威，丁文政，田昱鑫.基于PreScan的自动泊车仿真研究[J].计算机与数字工程，2021，49(01):122-125.刘召栋.特定城市场景下的自动驾驶车辆规划算法研究[D].吉林大学，2020.付智超.基于PreScan的无人驾驶车辆虚拟测试[D].河北工程大学，2020.胡云浩.基于PreScan的车道保持辅助系统设计[D].湖南大学，2019.Engineering-NuclearEngineering;StudyFindingsfromInnerMongoliaMedicalUniversityProvideNewInsightsintoNuclearEngineering(RelationshipBetweentheElevatedMuscleFdgUptakeIntheDistalUpperExtremitiesOnPet/ctScanandPrescanUtilizationofMobileDevicesIn...)[J].JournalofEngineering，2019.刘颖，朱西产，李佳琦.PreScan在先进驾驶辅助系统评价中的应用[J].佳木斯大学学报(自然科学版)，2013，31(05):696-699.邹存名，单慧，李洪兴.基于模型预测的车辆协同编队控制[J/OL].控制工程:1-7[2021-05-27]./10.14107/ki.kzgc.20200251.苏致远，徐友春，李永乐，郭宏达.