注：目前OnSite回放测试工具仅支持Windows操作系统及Ubuntu 20.04两种系统环境
-
使用conda建立虚拟环境，需指定版本为 *python3.6.8*
conda create -n onsite python=3.6.8
-
激活虚拟环境
conda activate onsite
-
载入依赖库
pip install -r requirements.txt
-
导入待测场景文件
-
场景根文件夹路径为
scenario/ -
工具中提供了各测试模式的基础测试场景，用户可以直接使用
关于场景文件说明详见各测试模式的 场景文件说明 章节
-
-
配置测试任务
-
配置文件路径为
config/tasks.yaml -
初次使用，推荐用户使用如下样例配置文件：
关于测试任务配置详见各测试模式的 测试任务配置 章节
FRAGMENT: tasks: maxTestTime: 25 skipExist: True SERIAL: tasks: dt: 0.1 maxTestTime: 200 skipExist: True REPLAY: tasks: visualize: True skipExist: True
-
默认使用样例规控器中的IDM规控器进行测试
-
规控算法放置路径：
planner/ -
通过
planner/__init__.py中PLANNER字段指定规控算法-
IDM
from planner.IDM.idm import IDM PLANNER = IDM
-
Lattice
from planner.Lattice.lattice import LATTICE PLANNER = LATTICE
-
键盘控制
键盘的 ↑ ↓ 键控制车速的增加和减小，← → 键控制车头朝向的左右变化
from planner.Manual.manual_controller import ManualController PLANNER = ManualController
-
首次运行TessNG时需要导入激活密钥，点击
导入激活码后选择第二届OnSite自动驾驶算法挑战赛-结构化测试赛道-正式版.key激活，提示激活成功后关闭程序重新运行即可
-
Windows环境测试指令：
python -u './main.py' -
Ubuntu 20.04环境运行指令：
./run_ubuntu.sh注：若提示
permission denied需要先执行sudo chmod +x ./run_ubuntu.sh
在planner/文件夹下创建子文件夹用于存放规控算法相关文件，规控算法编写时务必继承planner/plannerBase.py文件中的PlannerBase抽象类并复写init和act两个抽象方法。
详细的规控算法基类说明参照 <API Reference: planner.plannerBase>
- 编写
__init__(self)构造函数- 功能：构造函数，用于初始化自定义规控器模块的相关属性设置
- 调用时间：仅在测试开始前被调用一次
- 编写
init(self, scenario_info)初始化函数 （必须）- 功能：初始化函数，通过
scenario_info参数传入当前测试任务信息，可用于进行地图解析等工作 - 传入参数：类型为
dict，表示测试任务场景相关信息，其值为ScenarioInfo::format()方法的返回值 - 调用时间：在每个测试任务加载后调用，调用次数与测试任务数量一致
- 功能：初始化函数，通过
- 编写
act(self, observation)响应函数 （必须）- 功能：响应函数，读入当前时刻的仿真环境状态信息，进行相关规划控制运算并返回主车的控制量
- 传入参数：类型为
Observation，表示仿真中背景要素的当前状态信息 - 返回值：类型为
List[float]，以列表的形式返回主车在当前背景交通流环境下的纵向加速度和前轮转角 - 调用时间：在测试任务的每一帧会调用一次，调用次数与测试任务的帧数一致
平台提供一个基础的IDM跟驰算法，算法相关代码放置在路径planner/IDM/文件夹内，通过IDM类进行组织。
IDM跟驰算法可以实现沿直线行驶时的自动跟车，但由于IDM仅做跟驰不涉及变换车道，因此该算法在规划时只计算纵向加速度，前轮转角始终为0。
-
构造函数
__init__定义IDM算法相关的模型参数
def __init__(self, a_bound=5.0, exv=40, t=1.2, a=2.22, b=2.4, gama=4, s0=1.0, s1=2.0): """跟idm模型有关的模型参数 :param a_bound: 本车加速度绝对值的上下界 :param exv: 期望速度 :param t: 反应时间 :param a: 起步加速度 :param b: 舒适减速度 :param gama: 加速度指数 :param s0: 静止安全距离 :param s1: 与速度有关的安全距离选择参数 """ self.a_bound = a_bound self.exv = exv self.t = t self.a = a self.b = b self.gama = gama self.s0 = s0 self.s1 = s1 self.s_ = 0
-
初始化函数
init获取当前场景信息，并对OpenDrive文件进行解析
from utils.opendrive2discretenet import parse_opendrive def init(self, scenario_dict): print("----------------------------IDM INIT----------------------------") print(scenario_dict) print("----------------------------------------------------------------") road_info = parse_opendrive(scenario_dict['source_file']['xodr'])
-
响应函数
act根据传入的仿真状态规划主车下一帧的纵向加速度
from utils.observation import Observation def act(self, observation: Observation): # 加载主车信息 frame = pd.DataFrame( vars(observation.ego_info), columns=['x', 'y', 'v', 'yaw', 'length', 'width'], index=['ego'] ) # 加载背景要素状态信息 for obj_type in observation.object_info: for obj_name, obj_info in observation.object_info[obj_type].items(): sub_frame = pd.DataFrame(vars(obj_info), columns=['x', 'y', 'v', 'yaw', 'length', 'width'],index=[obj_name]) frame = pd.concat([frame, sub_frame]) state = frame.to_numpy() return [self.deside_acc(state), 0]
在进行加速度规划时需要先判断主车的跟驰对象，再根据主车与跟驰车辆的相对速度和距离计算期望加速度。涉及的类内方法如下：
-
getInformFront(self, state: pd.DataFrame) -> Tuple[float, float, float, float]获取主车跟驰对象的信息
Parameters :
-
state: DataFrame当前仿真时刻主车及背景要素的状态。其中第一行为主车信息，记录的状态包含位置、速度、航向角、形状。
Return type : Tuple
Returns :
返回为主车速度、前车速度、车头间距、行驶方向，当主车与前车距离超过100米时前车速度、车头间距项返回-1
def getInformFront(self, state): if state[0, 3] < np.pi / 2 or state[0, 3] > np.pi * 3 / 2: direction = 1.0 else: direction = -1.0 state[:,0] = state[:,0]*direction ego = state[0,:] v, fv, dis_gap = ego[2], -1, -1 # 在本车前侧 x_ind = ego[0] < state[:,0] y_ind = (np.abs(ego[1] - state[:,1])) < ((ego[5] + state[:,5])/2) ind = x_ind & y_ind if ind.sum() > 0: state_ind = state[ind,:] front = state_ind[(state_ind[:,0]-ego[0]).argmin(),:] fv = front[2] dis_gap = front[0] - ego[0] - (ego[4] + front[4])/2 if dis_gap > 100: dis_gap = -1 fv = -1 return v, fv, dis_gap, direction
-
-
deside_acc(self, state: pd.DataFrame) -> float计算主车期望加速度
Parameters :
-
state: DataFrame当前仿真时刻主车及背景要素的状态。其中第一行为主车信息，记录的状态包含位置、速度、航向角、形状。
Return type : float
Returns :
返回为主车期望加速度，单位
m/s^2def deside_acc(self, state): v, fv, dis_gap, direction = self.getInformFront(state) if dis_gap < 0: a_idm = self.a * (1 - (v / self.exv) ** self.gama) else: # 求解本车与前车的期望距离 self.s_ = self.s0 + self.s1 * (v / self.exv) ** 0.5 + self.t * v + v * ( v - fv) / 2 / (self.a * self.b) ** 0.5 # 求解本车纵向加速度 a_idm = self.a * (1 - (v / self.exv) ** self.gama - ((self.s_ / (dis_gap+1e-6)) ** 2)) # 对加速度进行约束 a_idm = np.clip(a_idm, -self.a_bound, 1e7) return a_idm
-
-
-
修改规控器
在
planner/文件夹下创建子文件夹并以PlannerBase为基类构建用户自己的规控算法类。编写完成后，在planner/__init__.py中将PLANNER变量指向上述规控算法类，写法如下：from planner.customPlanner import CustomPlanner PLANNER = CustomPlanner
-
本地运行测试
运行方法参见 <1.4 运行测试>
在
outputs文件夹中查看测试的轨迹输出 -
更新依赖文件
如果在规控模块编写过程中需要引入其他python第三方库，需要重新导出并覆盖原本
requirements.txtpip freeze > requirements.txt -
生成docker镜像
-
docker镜像命名方式（该镜像名即为DockerID）
<hub-user>/<repo-name>:<tag>
-
hub-user：DockerHub上注册的用户名
-
repo-name：镜像名称
为防止他人抄袭或直接上传您编写的代码，请不要在相关内容中体现出 OnSite等比赛相关内容。可以采用密码生成器等手段，生成镜像名）
-
tag：镜像标签，标注镜像的版本信息
-
-
仅生成不在本地运行镜像
docker build -t <hub-user>/<repo-name>:<tag> .
生成命令最后还有一个“.”，用于指定build命令执行的位置
-
生成docker镜像并在本地运行测试
-
参考运行Docker容器本地环境配置文件进行本机环境配置
-
根据所使用的系统打开对应
docker-composeYAML文件，向其中image字段添加镜像名称services: TESSNG: image: <hub-user>/<repo-name>:<tag>
-
生成docker镜像并创建容器
该容器会挂载当前项目文件夹中的配置文件夹
./config、场景文件夹./scenario以及输出文件夹./outputs，容器运行输出可直接在./outputs中查看# Windows docker compose -f .\docker-compose-windows.yaml up # Linux docker compose -f .\docker-compose-ubuntu.yaml up
注：若运行时弹出TessNG激活界面，点击*"导入激活码"并在容器内选择"/onsite-structured-test/assets/onsite_formal.key"，之后点击"提交"*即可
-
运行结束后删除本地容器
# Windows docker compose -f .\docker-compose-windows.yaml down # Linux docker compose -f .\docker-compose-ubuntu.yaml down
-
-
-
上传至dockerHub
dockerID
<hub-user>/<repo-name>:<tag>与上述生成的镜像保持一致docker push <hub-user>/<repo-name>:<tag>
onsite_structured_test
├── main.py
├── createTasks.py
├── visualize.py
├── requirements.txt
├── run_ubuntu.sh
├── README.md
├── Dockerfile
├── docker-compose-ubuntu.yaml
├── docker-compose-windows.yaml
├── config
│ ├── logging.conf
│ └── tasks.yaml
├── scenario
│ ├── fragment
│ ├── replay
│ └── serial
├── planner
│ ├── __init__.py
│ ├── plannerBase.py
│ ├── IDM
│ ├── Lattice
│ └── Manual
├── OnSiteReplay
├── TessNG
├── utils
├── assets
└── docs
-
文件功能说明
文件名 功能 main.py 仿真测试主程序 createTasks.py 生成tess场景文件 visualize.py 仿真结果与测试任务可视化程序 requirements.txt python环境依赖 run_ubuntu.sh Ubuntu20.04系统下仿真测试运行的bash指令 README.md 测试工具说明文档 Dockerfile Docker镜像构建指令 docker-compose-*.yaml Docker镜像构建与本地运行工具 -
文件夹功能说明
文件夹名称 功能 config 仿真测试相关配置文件 scenario 测试场景文件夹 planner 规控模块 OnSiteReplay 回放测试相关测试模块 TessNG 双向交互测试相关测试模块 utils 测试模块使用的组件和工具 assets 资源文件夹，用于存放图片等 docs 存放更新日志、API说明等文档
结构化测试工具包含了回放测试、片段式双向交互测试、无限里程双向交互测试三种不同的测试模式。
-
回放测试服务应用的设定较为简单，仿真场景真实性较高，背景车辆与主车之间不存在交互行为完全按照既定轨迹行驶，可以测试规控算法在已提取的真实场景下的运行安全
-
片段式双向交互测试通过接入国产微观仿真软件TessNG，可以提供更具交互性的仿真环境，进而对被测算法进行更为科学、可信的测评
-
无限里程双向交互测试可以实现更大空间区域和更长时域范围的“无限里程”连续式仿真测试，进一步提升虚拟仿真测试的难度和覆盖度
关于本工具中涉及到的Observation，ScenarioManager，PlannerBase等主要类的接口说明，参见API Reference
- 修复了在ScenarioManager模块在加载场景时可能错误将某些未测试场景判定为已有输出场景的问题
- 更新了运行TessNG前判断是否已激活TessNG的功能
- 添加了docker-compose文件用于docker的快速打包测试
- 添加运行Docker容器本地环境配置说明文件
- 更新README中规控算法的docker打包运行方法