廣告
面向智能駕駛測試的仿真場景構建技術綜述（中）
2021-03-16 22:56:39· 來源：深智聯(lián)SFITIC 作者：任秉韜
?? ??隨著汽車智能化程度的不斷提高，智能汽車通過環(huán)境傳感器與周邊行駛環(huán)境的信息交互與互聯(lián)更為密切，需應對的行駛環(huán)境狀況也越來越復雜，包括行駛道路、周邊交通和氣象條件等諸多因素，具有較強的不確定性、難以重復、不可預測和不可窮盡。限于研發(fā)周期和
隨著汽車智能化程度的不斷提高，智能汽車通過環(huán)境傳感器與周邊行駛環(huán)境的信息交互與互聯(lián)更為密切，需應對的行駛環(huán)境狀況也越來越復雜，包括行駛道路、周邊交通和氣象條件等諸多因素，具有較強的不確定性、難以重復、不可預測和不可窮盡。限于研發(fā)周期和成本、工況復雜多樣性，特別是安全因素的考慮，傳統(tǒng)的開放道路測試試驗或基于封閉試驗場的測試難以滿足智能駕駛系統(tǒng)可靠性與魯棒性的測試要求。因此，借助數(shù)字虛擬技術的仿真測試成為智能駕駛測試驗證一種新的手段，仿真場景的構建作為模擬仿真的重要組成部分，是實現(xiàn)智能駕駛測試中大樣本、極限邊界小概率樣本測試驗證的關鍵技術，這對提升智能駕駛系統(tǒng)的壓力和加速測評水平顯得尤為重要。面向智能駕駛測試的仿真場景構建技術已成為當前汽車智能化新的研究課題和世界性的研究熱點，作為一種新興技術仍面臨許多挑戰(zhàn)。
本文提出了面向智能駕駛測試的仿真場景構建方法，系統(tǒng)闡述了國內(nèi)外研究工作的進展與現(xiàn)狀，包括場景自動構建方法和交通仿真建模方法，重點分析一些值得深入研究的問題并圍繞場景構建技術的發(fā)展趨勢進行了討論分析，最后介紹了團隊相關研究在 2020 中國智能駕駛挑戰(zhàn)賽仿真賽和世界智能駕駛挑戰(zhàn)賽的仿真場景應用情況。
關鍵詞: 汽車智能駕駛; 模擬仿真; 仿真測試; 場景構建; 交通建模; 智能駕駛挑戰(zhàn)賽
SFITIC
交通仿真建模
交通仿真建模技術是智能駕駛仿真場景構建的重要組成部分。通過對可影響智能駕駛系統(tǒng)的具有自主反應性的周邊運動要素，包括周邊行人與交通車等諸多動態(tài)目標的信息融合、模擬和預測，構建一個具有復雜性、危險性和隨機性等的動態(tài)交通環(huán)境。交通仿真建模最早出現(xiàn)在交通工程領域，將車輛看做移動的剛體，采用運動學機理模型描述車輛跟馳和換道行為規(guī)律，實現(xiàn)大規(guī)模的交通系統(tǒng)模擬，用于宏觀交通的管控、交通擁堵分析及疏導等研究。然而在真實交通環(huán)境中的行人或駕駛員操作的交通車輛運動行為具有很強的差異性和不確定性，導致交通環(huán)境動態(tài)變化往往呈現(xiàn)出復雜、隨機、危險和難以預測等特征?，F(xiàn)有的交通建模理論和方法在智能駕駛測試中遇到一些難題：
1）智能駕駛汽車的感知大部分依靠視距傳感器，感知范圍在車輛周圍的有限區(qū)域內(nèi)，遠處的交通狀況難以對車輛產(chǎn)生直接的影響（如圖 1）；
2）交通仿真環(huán)境中的交通車運動模擬，除簡單的跟馳和換道行為外，還需具有車車信息協(xié)調(diào)交互行為，以及含更加復雜的無信號燈轉彎、大交通密度下的強制換道等行為。
圖1 不同視角下的交通流
Fig.1 Traffic flow from different views
( (a) trafficfrom the god view; (b) traffic from driver’s view)
在智能駕駛的模擬仿真技術中，交通建模是從微觀層面上建立對交通參與物個體運動規(guī)律描述方程。交通參與物大致可以分為 3 類: 機動車、非機動車和行人。不同的交通參與物不僅在外形和運動規(guī)律上存在差異（如表 1），交互特征也存在差異，在建模時需分別考慮。通常交通仿真建模圍繞機動車，也稱為交通車運動建模。
表1 交通參與物
Table 1 Traffic participant
本文分析兩種典型交通微觀建模方法，即機理建模方法和數(shù)據(jù)驅動建模方法。
2. 1 基于物理機理的交通建模方法
機理建模主要依靠研究人員對交通系統(tǒng)內(nèi)部變化規(guī)律的理解和經(jīng)驗，獲得一個能描述規(guī)律且大范圍適用的運動模型，易于分析且保證大規(guī)模的仿真效率。機理建模方法將交通運動行為過程劃分為跟馳行為、換道行為、發(fā)車行為及換道跟蹤等運動行為規(guī)律，其中跟馳和換道是模型的關鍵。
交通車跟馳行為是最基本的微觀駕駛行為，描述了在限制超車的單行道上行駛車隊中相鄰兩車之間的相互作用。跟馳模型是指運用動力學的方法來研究由前導車運動狀態(tài)變化所引起跟馳車的相應行為?；跈C理建模方法得到的微觀交通模型的一般形式為
式中，模型描述了交通中第 i 輛車的加速度與自身速度、與前車的相對速度和相對距離之間的關系。θ 為固定參數(shù)，在使用過程中，通常使用真實交通軌跡數(shù)據(jù)對模型進行參數(shù)校正，以確保模型更準確、更真實。
智能駕駛員模型（intelligent driver model，IDM)（Treiber 等，2000）描述了一種典型跟馳行為。該模型考慮了車輛駕駛過程中的期望速度、跟車間距以及因駕駛員習性或車輛加/減速性能差異而導致的加/減速過程的不對稱行為。其模型具體形式為
式中，期望車間距，取決于速度、速度差、加速度最大值、舒適減速度和靜止狀態(tài)下最小車間距，以及期望車頭時距。
研究人員對交通車跟馳行為建模方法進行了深入探索和研究。Yu 等人（2013）將前車加速度結合到跟馳模型中，提出了全速差和加速模型，描述了交通跟馳行為與交通流擁堵演變過程，可抑制交通擁堵，增加交通容量。Punzo 等人（2015） 針對跟馳模型中待估參數(shù)較多的問題，提出了一種基于方差的敏感性分析方法以減少 IDM 模型待估參數(shù)，而不會影響模擬的效果。雖然該模型考慮了交通車跟馳行為不確定性等特征，但模擬依舊描述的是理想情形下的跟馳狀態(tài)，無法反映實際駕駛過程中非理性駕駛行為，對車車間交互行為的描述也遠遠不夠。
交通車換道行為是微觀交通機理建模的另一個重要組成部分，描述了換道車輛根據(jù)本車當前行駛狀態(tài)，結合附近車輛速度、位置和車道等信息，判斷選擇是否進行換道行為的過程以及換道軌跡，涉及駕駛人員的主觀意愿、駕駛技能和道路環(huán)境等多因素影響。換道制動減速模型（minimizing overall braking decelerations induced by lane changes，MOBIL）（ Kesting 等，2007；Treiber 等，2000）是一種典型基于激勵的換道模型，運用博弈論思想制定換道決策。該模型通過預估換道對于局部交通環(huán)境和自車的收益，用禮讓因子和對原行駛車道的偏好來決定是否換道行為，并且滿足安全準則和獎勵準則
式中，下角標 c、o 和 n 分別表示本車、原跟蹤車輛、新跟蹤車輛，禮讓因子 p 表示利他主義的程度。p 取值范圍從 p = 0（ 惡化交通行為）變化到 p ＞ 1（純粹的利他行為），并且通過設置 p ＜ 0，可以模擬惡意換道行為。bs應遠低于最大制動減速度（干燥路面上約為 8 m/s²），換道閾值 Δath模擬換道行為具有一定的慣性。換道模型的研究方興未艾，Butakov 和 Ioannou（2015）在駕駛安全角度的自身與周圍車輛最小縱向間距基礎上，建立了兩層模型來描述換道行為，實現(xiàn)個性化的換道行為描述。相關從換道行為不同角度的研究還在不斷細化和推進。
典型的交通仿真軟件系統(tǒng)如美國 CORSIM、NETSIM、OREAU，德國 VISSIM 和 SUMO，以及英國PARAMICS，往往是基于理想化的交通機理模型。這些建模方法如跟馳—換道模型、元胞自動機的交通流模型，主要面向交通信息控制與規(guī)劃，實現(xiàn)交通流具體到道路上每一輛車的運行路線的單獨規(guī)劃，而對于模擬智能駕駛測試車輛與周邊交通車之間的交互與運動規(guī)律還過于理想，同時交通車不同駕駛行為特征對于智能駕駛系統(tǒng)的影響也難以滿足當前汽車智能駕駛測試需求。在汽車數(shù)字模擬仿真測試環(huán)境中，交通仿真模型是一個對無限豐富駕駛環(huán)境高質量且有效的映射，以高效、高逼真且全面地反映行駛環(huán)境對具備駕駛任務的智能駕駛功能和性能的深刻影響，其構建的危險性、復雜性場景工況直接影響乃至于決定了被測智能駕駛車輛的駕駛安全性能。
2. 2 基于數(shù)據(jù)驅動的交通建模方法
基于車輛運動學原理機理建模方法可以描述交通車的跟隨—換道確定性行為的運動規(guī)律，但需要眾多模型參數(shù)且花費大量調(diào)試工作才能獲得與實際系統(tǒng)行為相匹配的結構，同時由于每個智能體中都有相似的運動模式，忽略了車輛運動隨機性和多樣性等諸多要素和細節(jié)，導致產(chǎn)生的交通車軌跡外在表現(xiàn)一致，與真實交通差距較大。
相比之下，真實數(shù)據(jù)包含了大量行為特征信息。交通軌跡數(shù)據(jù)能夠反映出更多有關駕駛行為特征信息。駕駛行為具有不對稱性（加/減速、換道）、記憶性（車輛的加/減速受一定歷史時間范圍內(nèi)的車速、速度差和距離的影響） 、異質性（不同駕駛員的駕駛行為存在差異）和階段性（換道過程可分為換道決策階段和換道執(zhí)行階段）等特點。因此有些研究者在駕駛行為機理研究的基礎上借助于數(shù)據(jù)從中挖掘學習交通智能體間的隨機交互運動、危險駕駛的規(guī)律，采用數(shù)據(jù)驅動方法研究面向汽車智能駕駛模擬仿真測試的交通仿真建模方法，以探尋能夠反映行為數(shù)據(jù)特性的交通建模方法。如圖 2 所示反映了交通流中第 i 輛車當前速度與一段歷史時間內(nèi)的自身速度、相對速度、相對距離之間的對應關系。
圖 2 神經(jīng)網(wǎng)絡結構
Fig.2 Neural network structure
隨著智能駕駛車輛（百度、騰訊和滴滴等）上路測試的逐步增多，先進的車載傳感（激光雷達、攝像頭、定位慣導設備等） 和固定路測設備（如攝像頭、微波雷達等）采集了大量交通車輛和行人的特征及運動狀態(tài)信息。這些數(shù)據(jù)反映多樣性的交通車駕駛行為信息，可為交通運動規(guī)律的學習訓練研究提供良好的數(shù)據(jù)基礎。
國內(nèi)外學者在數(shù)據(jù)驅動的交通建模方面不斷探索。Wei 和 Liu（2013）提出了一種自學習支持向量回歸（support vector regression，SVR）建模方法（如圖 3），研究跟馳不對稱特性及其對交通流演化的影響。Chao 等人（2018）提出了一種禮儀真實交通流數(shù)據(jù)來填充虛擬道路網(wǎng)絡的數(shù)據(jù)驅動建模方法，將交通流的時空信息看做 2D 紋理，把交通流生成視等同于紋理合成的過程，通過最小化交通紋理能量來優(yōu)化選擇合適紋理，從而合成交通流，并嚴格遵循交通規(guī)則。該方法能夠根據(jù)輸入樣本的不同，重構出例如擁堵、交叉口、高速公路等具有不同特征的交通流。Ren 等人（2019）提出了一種基于數(shù)據(jù)驅動的異質多智能體仿真算法，將智能體的決策過程視為以避撞、凝聚、方向控制和速度連續(xù)為目標的優(yōu)化問題，優(yōu)化能量函數(shù)以獲得速度最優(yōu)值，能夠模擬重現(xiàn)出真實數(shù)據(jù)的場景。
圖 3 交通模型結構（Wei 和 Liu，2013）
Fig.3 Traffic model structure（Wei and Liu，2013）
Xie 等人（2019）提出了一種基于深度學習的交通車自主換道模型，將深度置信網(wǎng)絡（deep belief network，DBN）和長短期記憶神經(jīng)網(wǎng)絡（long short-term memory，LSTM）結合，利用下一代仿真數(shù)據(jù)集（next generation simulation，NGSIM）實際換道數(shù)據(jù)分別訓練構建換道決策和換道執(zhí)行兩個模塊，集成模型以準確地預測車輛的換道過程并挖掘換道行為的基本特征。此外，當前應用于智能體系統(tǒng)的數(shù)據(jù)驅動模擬方法（Kim 等，2016；Sewall 等，2011；Jordao 等，2014），從數(shù)據(jù)獲取部分或全部運動軌跡，提取智能體運動特征，可生成比傳統(tǒng)規(guī)則及基于物理方法更合理或更逼真的模擬結果。
當前基于數(shù)據(jù)驅動的交通仿真建模研究主要描述了交通微觀行為以達到對真實交通的復現(xiàn)，包括交通擁堵、交通瓶頸和交通波動等現(xiàn)象。側重于宏觀層面或軌跡層面，而對駕駛行為特征的準確真實描述還不足。模型輸入是車輛與周圍關聯(lián)車輛之間的相互運動關系，模型輸出是車輛運動的速度或軌跡。然而數(shù)據(jù)驅動方法也存在一些問題，結果多樣性主要取決于輸入數(shù)據(jù)的數(shù)量，如果輸入數(shù)據(jù)量很小，則模擬結果將是單調(diào)的，過于依賴輸入數(shù)據(jù)，缺乏通用性; 另一方面數(shù)據(jù)驅動方法適用于單一類型智能體（如規(guī)則車輛） ，難以模擬不同類型的智能體在異構環(huán)境中的運動和交互行為，尤其是交通路口模擬運動軌跡和汽車與人類之間的相互作用，故目前還難以替代物理機理模型在通用性方面的作用。
綜述分析，面向智能駕駛模擬仿真測試的交通建模技術作為智能駕駛方面新的研究課題，其關鍵研究部分的理論和方法有待深入研究：
1）深刻理解交通車輛駕駛行為和彼此交互特征，是面向智能駕駛仿真測試的交通建?；A和首要任務;
2）如何挖掘數(shù)據(jù)信息中車輛駕駛運動的影響規(guī)律，建立隨機—危險特征的交通模型，是實現(xiàn)面向智能駕駛仿真測試核心和關鍵。
- 下一篇：鋰電池安全問題及失效途徑分析
- 上一篇：重磅！大眾推“標準電芯”，成本下降50%！
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
