广告
面向智能驾驶测试的仿真场景构建技术综述（中）
2021-03-16 22:56:39· 来源：深智联SFITIC 作者：任秉韬
随着汽车智能化程度的不断提高，智能汽车通过环境传感器与周边行驶环境的信息交互与互联更为密切，需应对的行驶环境状况也越来越复杂，包括行驶道路、周边交通和气象条件等诸多因素，具有较强的不确定性、难以重复、不可预测和不可穷尽。限于研发周期和
随着汽车智能化程度的不断提高，智能汽车通过环境传感器与周边行驶环境的信息交互与互联更为密切，需应对的行驶环境状况也越来越复杂，包括行驶道路、周边交通和气象条件等诸多因素，具有较强的不确定性、难以重复、不可预测和不可穷尽。限于研发周期和成本、工况复杂多样性，特别是安全因素的考虑，传统的开放道路测试试验或基于封闭试验场的测试难以满足智能驾驶系统可靠性与鲁棒性的测试要求。因此，借助数字虚拟技术的仿真测试成为智能驾驶测试验证一种新的手段，仿真场景的构建作为模拟仿真的重要组成部分，是实现智能驾驶测试中大样本、极限边界小概率样本测试验证的关键技术，这对提升智能驾驶系统的压力和加速测评水平显得尤为重要。面向智能驾驶测试的仿真场景构建技术已成为当前汽车智能化新的研究课题和世界性的研究热点，作为一种新兴技术仍面临许多挑战。
本文提出了面向智能驾驶测试的仿真场景构建方法，系统阐述了国内外研究工作的进展与现状，包括场景自动构建方法和交通仿真建模方法，重点分析一些值得深入研究的问题并围绕场景构建技术的发展趋势进行了讨论分析，最后介绍了团队相关研究在 2020 中国智能驾驶挑战赛仿真赛和世界智能驾驶挑战赛的仿真场景应用情况。
关键词: 汽车智能驾驶; 模拟仿真; 仿真测试; 场景构建; 交通建模; 智能驾驶挑战赛
SFITIC
交通仿真建模
交通仿真建模技术是智能驾驶仿真场景构建的重要组成部分。通过对可影响智能驾驶系统的具有自主反应性的周边运动要素，包括周边行人与交通车等诸多动态目标的信息融合、模拟和预测，构建一个具有复杂性、危险性和随机性等的动态交通环境。交通仿真建模最早出现在交通工程领域，将车辆看做移动的刚体，采用运动学机理模型描述车辆跟驰和换道行为规律，实现大规模的交通系统模拟，用于宏观交通的管控、交通拥堵分析及疏导等研究。然而在真实交通环境中的行人或驾驶员操作的交通车辆运动行为具有很强的差异性和不确定性，导致交通环境动态变化往往呈现出复杂、随机、危险和难以预测等特征。现有的交通建模理论和方法在智能驾驶测试中遇到一些难题：
1）智能驾驶汽车的感知大部分依靠视距传感器，感知范围在车辆周围的有限区域内，远处的交通状况难以对车辆产生直接的影响（如图 1）；
2）交通仿真环境中的交通车运动模拟，除简单的跟驰和换道行为外，还需具有车车信息协调交互行为，以及含更加复杂的无信号灯转弯、大交通密度下的强制换道等行为。
图1 不同视角下的交通流
Fig.1 Traffic flow from different views
( (a) trafficfrom the god view; (b) traffic from driver’s view)
在智能驾驶的模拟仿真技术中，交通建模是从微观层面上建立对交通参与物个体运动规律描述方程。交通参与物大致可以分为 3 类: 机动车、非机动车和行人。不同的交通参与物不仅在外形和运动规律上存在差异（如表 1），交互特征也存在差异，在建模时需分别考虑。通常交通仿真建模围绕机动车，也称为交通车运动建模。
表1 交通参与物
Table 1 Traffic participant
本文分析两种典型交通微观建模方法，即机理建模方法和数据驱动建模方法。
2. 1 基于物理机理的交通建模方法
机理建模主要依靠研究人员对交通系统内部变化规律的理解和经验，获得一个能描述规律且大范围适用的运动模型，易于分析且保证大规模的仿真效率。机理建模方法将交通运动行为过程划分为跟驰行为、换道行为、发车行为及换道跟踪等运动行为规律，其中跟驰和换道是模型的关键。
交通车跟驰行为是最基本的微观驾驶行为，描述了在限制超车的单行道上行驶车队中相邻两车之间的相互作用。跟驰模型是指运用动力学的方法来研究由前导车运动状态变化所引起跟驰车的相应行为。基于机理建模方法得到的微观交通模型的一般形式为
式中，模型描述了交通中第 i 辆车的加速度与自身速度、与前车的相对速度和相对距离之间的关系。θ 为固定参数，在使用过程中，通常使用真实交通轨迹数据对模型进行参数校正，以确保模型更准确、更真实。
智能驾驶员模型（intelligent driver model，IDM)（Treiber 等，2000）描述了一种典型跟驰行为。该模型考虑了车辆驾驶过程中的期望速度、跟车间距以及因驾驶员习性或车辆加/减速性能差异而导致的加/减速过程的不对称行为。其模型具体形式为
式中，期望车间距，取决于速度、速度差、加速度最大值、舒适减速度和静止状态下最小车间距，以及期望车头时距。
研究人员对交通车跟驰行为建模方法进行了深入探索和研究。Yu 等人（2013）将前车加速度结合到跟驰模型中，提出了全速差和加速模型，描述了交通跟驰行为与交通流拥堵演变过程，可抑制交通拥堵，增加交通容量。Punzo 等人（2015） 针对跟驰模型中待估参数较多的问题，提出了一种基于方差的敏感性分析方法以减少 IDM 模型待估参数，而不会影响模拟的效果。虽然该模型考虑了交通车跟驰行为不确定性等特征，但模拟依旧描述的是理想情形下的跟驰状态，无法反映实际驾驶过程中非理性驾驶行为，对车车间交互行为的描述也远远不够。
交通车换道行为是微观交通机理建模的另一个重要组成部分，描述了换道车辆根据本车当前行驶状态，结合附近车辆速度、位置和车道等信息，判断选择是否进行换道行为的过程以及换道轨迹，涉及驾驶人员的主观意愿、驾驶技能和道路环境等多因素影响。换道制动减速模型（minimizing overall braking decelerations induced by lane changes，MOBIL）（ Kesting 等，2007；Treiber 等，2000）是一种典型基于激励的换道模型，运用博弈论思想制定换道决策。该模型通过预估换道对于局部交通环境和自车的收益，用礼让因子和对原行驶车道的偏好来决定是否换道行为，并且满足安全准则和奖励准则
式中，下角标 c、o 和 n 分别表示本车、原跟踪车辆、新跟踪车辆，礼让因子 p 表示利他主义的程度。p 取值范围从 p = 0（ 恶化交通行为）变化到 p ＞ 1（纯粹的利他行为），并且通过设置 p ＜ 0，可以模拟恶意换道行为。bs应远低于最大制动减速度（干燥路面上约为 8 m/s²），换道阈值 Δath模拟换道行为具有一定的惯性。换道模型的研究方兴未艾，Butakov 和 Ioannou（2015）在驾驶安全角度的自身与周围车辆最小纵向间距基础上，建立了两层模型来描述换道行为，实现个性化的换道行为描述。相关从换道行为不同角度的研究还在不断细化和推进。
典型的交通仿真软件系统如美国 CORSIM、NETSIM、OREAU，德国 VISSIM 和 SUMO，以及英国PARAMICS，往往是基于理想化的交通机理模型。这些建模方法如跟驰—换道模型、元胞自动机的交通流模型，主要面向交通信息控制与规划，实现交通流具体到道路上每一辆车的运行路线的单独规划，而对于模拟智能驾驶测试车辆与周边交通车之间的交互与运动规律还过于理想，同时交通车不同驾驶行为特征对于智能驾驶系统的影响也难以满足当前汽车智能驾驶测试需求。在汽车数字模拟仿真测试环境中，交通仿真模型是一个对无限丰富驾驶环境高质量且有效的映射，以高效、高逼真且全面地反映行驶环境对具备驾驶任务的智能驾驶功能和性能的深刻影响，其构建的危险性、复杂性场景工况直接影响乃至于决定了被测智能驾驶车辆的驾驶安全性能。
2. 2 基于数据驱动的交通建模方法
基于车辆运动学原理机理建模方法可以描述交通车的跟随—换道确定性行为的运动规律，但需要众多模型参数且花费大量调试工作才能获得与实际系统行为相匹配的结构，同时由于每个智能体中都有相似的运动模式，忽略了车辆运动随机性和多样性等诸多要素和细节，导致产生的交通车轨迹外在表现一致，与真实交通差距较大。
相比之下，真实数据包含了大量行为特征信息。交通轨迹数据能够反映出更多有关驾驶行为特征信息。驾驶行为具有不对称性（加/减速、换道）、记忆性（车辆的加/减速受一定历史时间范围内的车速、速度差和距离的影响） 、异质性（不同驾驶员的驾驶行为存在差异）和阶段性（换道过程可分为换道决策阶段和换道执行阶段）等特点。因此有些研究者在驾驶行为机理研究的基础上借助于数据从中挖掘学习交通智能体间的随机交互运动、危险驾驶的规律，采用数据驱动方法研究面向汽车智能驾驶模拟仿真测试的交通仿真建模方法，以探寻能够反映行为数据特性的交通建模方法。如图 2 所示反映了交通流中第 i 辆车当前速度与一段历史时间内的自身速度、相对速度、相对距离之间的对应关系。
图 2 神经网络结构
Fig.2 Neural network structure
随着智能驾驶车辆（百度、腾讯和滴滴等）上路测试的逐步增多，先进的车载传感（激光雷达、摄像头、定位惯导设备等） 和固定路测设备（如摄像头、微波雷达等）采集了大量交通车辆和行人的特征及运动状态信息。这些数据反映多样性的交通车驾驶行为信息，可为交通运动规律的学习训练研究提供良好的数据基础。
国内外学者在数据驱动的交通建模方面不断探索。Wei 和 Liu（2013）提出了一种自学习支持向量回归（support vector regression，SVR）建模方法（如图 3），研究跟驰不对称特性及其对交通流演化的影响。Chao 等人（2018）提出了一种礼仪真实交通流数据来填充虚拟道路网络的数据驱动建模方法，将交通流的时空信息看做 2D 纹理，把交通流生成视等同于纹理合成的过程，通过最小化交通纹理能量来优化选择合适纹理，从而合成交通流，并严格遵循交通规则。该方法能够根据输入样本的不同，重构出例如拥堵、交叉口、高速公路等具有不同特征的交通流。Ren 等人（2019）提出了一种基于数据驱动的异质多智能体仿真算法，将智能体的决策过程视为以避撞、凝聚、方向控制和速度连续为目标的优化问题，优化能量函数以获得速度最优值，能够模拟重现出真实数据的场景。
图 3 交通模型结构（Wei 和 Liu，2013）
Fig.3 Traffic model structure（Wei and Liu，2013）
Xie 等人（2019）提出了一种基于深度学习的交通车自主换道模型，将深度置信网络（deep belief network，DBN）和长短期记忆神经网络（long short-term memory，LSTM）结合，利用下一代仿真数据集（next generation simulation，NGSIM）实际换道数据分别训练构建换道决策和换道执行两个模块，集成模型以准确地预测车辆的换道过程并挖掘换道行为的基本特征。此外，当前应用于智能体系统的数据驱动模拟方法（Kim 等，2016；Sewall 等，2011；Jordao 等，2014），从数据获取部分或全部运动轨迹，提取智能体运动特征，可生成比传统规则及基于物理方法更合理或更逼真的模拟结果。
当前基于数据驱动的交通仿真建模研究主要描述了交通微观行为以达到对真实交通的复现，包括交通拥堵、交通瓶颈和交通波动等现象。侧重于宏观层面或轨迹层面，而对驾驶行为特征的准确真实描述还不足。模型输入是车辆与周围关联车辆之间的相互运动关系，模型输出是车辆运动的速度或轨迹。然而数据驱动方法也存在一些问题，结果多样性主要取决于输入数据的数量，如果输入数据量很小，则模拟结果将是单调的，过于依赖输入数据，缺乏通用性; 另一方面数据驱动方法适用于单一类型智能体（如规则车辆） ，难以模拟不同类型的智能体在异构环境中的运动和交互行为，尤其是交通路口模拟运动轨迹和汽车与人类之间的相互作用，故目前还难以替代物理机理模型在通用性方面的作用。
综述分析，面向智能驾驶模拟仿真测试的交通建模技术作为智能驾驶方面新的研究课题，其关键研究部分的理论和方法有待深入研究：
1）深刻理解交通车辆驾驶行为和彼此交互特征，是面向智能驾驶仿真测试的交通建模基础和首要任务;
2）如何挖掘数据信息中车辆驾驶运动的影响规律，建立随机—危险特征的交通模型，是实现面向智能驾驶仿真测试核心和关键。
- 下一篇：锂电池安全问题及失效途径分析
- 上一篇：重磅！大众推“标准电芯”，成本下降50%！
广告
最新资讯
-
自动驾驶地方立法的规范框架与基本思路
2024-05-16 08:24
-
Cache基本原理--以TC3xx为例
2024-05-16 08:07
-
一氧化碳对膜电极性能的影响
2024-05-15 17:54
-
上海市智能网联汽车封闭式测试场又添新选项
2024-05-15 17:53
-
中国汽研助力某乘用车企业获得CSMS/SUMS体
2024-05-15 16:33
广告
广告
