機(jī)器之心分析師網(wǎng)絡(luò)
作者：張小卉
編輯：H4O
無人車的領(lǐng)頭羊 Waymo 的 CEO 曾對(duì)外宣稱，Waymo 無人駕駛系統(tǒng) 80% 的改進(jìn)都來自其仿真系統(tǒng) Carcraft。那么身為頭號(hào)功臣的無人駕駛仿真到底是什么？而其中的交通流仿真又是何物，有何可用平臺(tái)，請(qǐng)看來自交通工程的跨界思考。
1. 駛向 Vision Zero 的無人駕駛
據(jù)世界衛(wèi)生組織最新數(shù)據(jù)顯示，每年約有 135 萬(wàn)人由于道路交通事故而死亡，其中超過 90% 的交通事故是人為因素造成的 [ 1 ] 。而無人駕駛從不醉酒、分心或是疲勞，這些因素分別占所有致命事故起因的 41%、10% 和 2.5%。生命可貴，是任何其它社會(huì)利益都無法交換的，這也是 Vision Zero（無人傷亡的全球性道路交通安全項(xiàng)目）的核心原則 [ 2 ] ，而無人駕駛是實(shí)現(xiàn) Vision Zero 的重要途徑。
全球道路交通傷害 [ 1 ] 。
2. 多少里程可以驗(yàn)證安全？
然而無人駕駛也面臨著許多挑戰(zhàn)，比如惡劣的天氣、復(fù)雜的交通環(huán)境等等，因此在某些場(chǎng)景下的表現(xiàn)可能無法匹敵人類駕駛員，甚至存在新的更加嚴(yán)重的事故風(fēng)險(xiǎn)（如網(wǎng)絡(luò)攻擊）。那么無人駕駛到底如何才能證實(shí)其安全性？
著名戰(zhàn)略咨詢公司蘭德就無人駕駛的安全可靠性及所需路測(cè)里程進(jìn)行了統(tǒng)計(jì)分析 [ 3 ] ，其分析報(bào)告顯示，在 95% 的置信度下，無人駕駛系統(tǒng)需要進(jìn)行約 50 億英里的路測(cè)才可證明其事故率顯著小于人類駕駛員，也就是 100 輛車在全天 24 小時(shí)、全年 365 天及平均車速為 25 英里每小時(shí)的情況下，需要測(cè)試約 225 年！
95% 置信度下所需路測(cè)里程 [ 3 ] 。
3. 仿真是第一生產(chǎn)力
仿真在無人駕駛的開發(fā)測(cè)試及評(píng)價(jià)過程中是必不可少的。在 2016 年 Waymo 在其仿真系統(tǒng) Carcraft 的測(cè)試?yán)锍桃淹黄?25 億英里，每天測(cè)試?yán)锍炭梢赃_(dá)到 800 萬(wàn)英里，而全年實(shí)際路測(cè)里程僅 300 萬(wàn)英里 [ 4,5 ] 。Waymo 的 CEO 曾對(duì)外宣稱，Waymo 無人駕駛系統(tǒng) 80% 的改進(jìn)都來自其仿真系統(tǒng) Carcraft。
長(zhǎng)遠(yuǎn)來看，我們做無人車的單位必須要堅(jiān)持一件事，模擬環(huán)境必須占到絕大部分發(fā)展過程。99% 安全驗(yàn)證應(yīng)該是在模擬環(huán)境情況下做出來的，0.9% 左右應(yīng)該在 TestTrack 做，最后少部分在公共交通道路來做 ，密歇根大學(xué) MCity 移動(dòng)出行中心主任彭暉教授在 2018 國(guó)際汽車智能共享出行大會(huì)如是分享 [ 6 ] ，基于計(jì)算機(jī)仿真技術(shù)對(duì)自動(dòng)駕駛系統(tǒng)進(jìn)行虛擬測(cè)試與評(píng)價(jià)已經(jīng)成為行業(yè)普遍共識(shí) [ 7 ] 。
具體來說，無人駕駛仿真系統(tǒng)由虛擬場(chǎng)景與無人駕駛車輛組成 [ 8 ] ，其中無人駕駛車輛包括車輛模型、動(dòng)力學(xué)模型、傳感器模型，而虛擬場(chǎng)景則可以進(jìn)一步分為動(dòng)態(tài)與靜態(tài)層次，路網(wǎng)（Layer 1）、交通設(shè)施（Layer 2）屬于靜態(tài)層，交通管控造成的道路或交通設(shè)施的臨時(shí)性改變（Layer 3）、交通流（Layer 4）、環(huán)境條件（Layer 5）均屬于動(dòng)態(tài)層。
路網(wǎng)指車道級(jí)的道路信息，交通設(shè)施為實(shí)現(xiàn)交通管理、安全防護(hù)的道路基本設(shè)施，如交通標(biāo)志、防護(hù)柵欄等。第三層則為臨時(shí)性交通管理與控制，如車道臨時(shí)封閉、改變限速等。第四層交通流是指道路上連續(xù)行駛形成的車流，古有 車水馬龍 之說，車如流水，馬如游龍，也正是交通流的含義。最后一層環(huán)境條件則是天氣等自然環(huán)境。
虛擬場(chǎng)景的五個(gè)層次 [ 9 ] 。
4. 什么是交通流仿真？
交通流是動(dòng)態(tài)層中最為復(fù)雜多變的要素，但是現(xiàn)有的虛擬測(cè)試工具（開源如百度的 Apollo，Intel 的 CARLA，微軟的 AirSim；其它如 PreScan，VTD）都缺乏高逼真度交通流場(chǎng)景模擬能力，因此無法滿足高等級(jí)自動(dòng)駕駛測(cè)試需求。而無人駕駛仿真中的交通流仿真目前其實(shí)是微觀交通流仿真，主要研究每個(gè)車輛 - 駕駛員單元的行為交互，相應(yīng)的宏觀層面則將交通流視作由大量車輛組成的可壓縮連續(xù)流體介質(zhì)，關(guān)注如車流平均速度以及平均密度等的集計(jì)屬性。
在交通工程領(lǐng)域，微觀交通流理論的研究由來已久，從 20 世紀(jì) 50 年代起開始涌現(xiàn)以跟馳模型為核心的眾多微觀行為模型 [ 10 ] 。而利用微觀交通流理論構(gòu)造的微觀交通流仿真一直以來都是交通系統(tǒng)評(píng)價(jià)、改善的利器，如交叉口進(jìn)口道渠化方案評(píng)價(jià)、信號(hào)燈配時(shí)改善等等。
交叉口信號(hào)燈配時(shí)方案的仿真場(chǎng)景 [ 11 ] 。
而現(xiàn)在，微觀交通流仿真作為無人駕駛仿真中重要的一環(huán)，通過系統(tǒng)性地構(gòu)造多樣的交通場(chǎng)景從而滿足測(cè)試需求。這里作為交通工程師非常欣慰的一點(diǎn)是，交通流仿真不再局限于傳統(tǒng)的交通工程中，漸漸走進(jìn)自動(dòng)駕駛領(lǐng)域，開始煥發(fā)出新的活力，相互交融碰撞的未來值得大家一同探索。
5. 交通流仿真的新進(jìn)展
新的交融也帶來新的改變，在傳統(tǒng)交通工程領(lǐng)域中，微觀交通流仿真的本質(zhì)在于駕駛行為建模，通過機(jī)理解讀，剖析人類駕駛行為并建立解析模型，而隨著人工智能的發(fā)展，眾多機(jī)器學(xué)習(xí)方法也逐漸得到應(yīng)用，如通過擬合真實(shí)駕駛數(shù)據(jù)學(xué)習(xí)人類駕駛行為或是通過強(qiáng)化學(xué)習(xí)得到最優(yōu)駕駛策略，但不論是機(jī)理型解析模型還是機(jī)器學(xué)習(xí)模型，原有的微觀交通流仿真總體而言都是由內(nèi)而外的，因?yàn)檎鎸?shí)交通場(chǎng)景（表現(xiàn)為交通參與者的軌跡）是最外層可觀察到的現(xiàn)象，而產(chǎn)生不同交通場(chǎng)景的本質(zhì)就是異質(zhì)的駕駛行為，因此從駕駛行為的解析到交通流場(chǎng)景是自然的發(fā)展。
相對(duì)而言，新興出現(xiàn)的數(shù)據(jù)導(dǎo)向的方法則是選擇了直接再現(xiàn)可觀察的現(xiàn)象，即通過各類傳感器采集真實(shí)交通場(chǎng)景，經(jīng)處理后導(dǎo)入仿真場(chǎng)景中；同時(shí)基于真實(shí)數(shù)據(jù)的泛化構(gòu)建更多的交通場(chǎng)景 [ 7 ] 。Waymo 在其安全報(bào)告中也提到一種模糊化的方法，即合理地更改真實(shí)場(chǎng)景的某些數(shù)據(jù)特征，泛化生成新的場(chǎng)景 [ 12 ] 。
Carcraft 中再現(xiàn)的真實(shí)交通場(chǎng)景 [ 4 ] 。
模糊化泛化生成新的交通場(chǎng)景 [ 4 ] 。
針對(duì)新興的數(shù)據(jù)驅(qū)動(dòng)的再現(xiàn)及泛化交通場(chǎng)景的方法，其的缺點(diǎn)是每一個(gè)場(chǎng)景都是固定的一組數(shù)據(jù)，因此無法與無人駕駛車輛進(jìn)行交互，從而大大降低了測(cè)試的真實(shí)性和有效性。其次，僅僅作為數(shù)據(jù)集來看待的交通場(chǎng)景缺乏物理意義，比如，你很難回答到底需要怎樣的場(chǎng)景數(shù)據(jù)，為什么，而這對(duì)于系統(tǒng)性地測(cè)試和驗(yàn)證都至關(guān)重要。
同時(shí)泛化的特征是否為核心屬性并存在相應(yīng)物理意義，是否符合真實(shí)的統(tǒng)計(jì)分布，泛化得到的數(shù)據(jù)是否合理，比如單車的軌跡擾動(dòng)有時(shí)會(huì)造成整個(gè)交通流的失穩(wěn)，而簡(jiǎn)單地遍歷數(shù)據(jù)特征無法重現(xiàn)此現(xiàn)象。歸根結(jié)底，僅僅通過流于表面的數(shù)據(jù)處理無法構(gòu)建有效的交通流場(chǎng)景，我們需要透過現(xiàn)象看本質(zhì)，理解交通流中每個(gè)車輛單元的駕駛行為。
6. 回歸機(jī)理的核心模型
在交通工程領(lǐng)域的微觀交通流模型中，交通流被視為由大量車輛組成的復(fù)雜自驅(qū)動(dòng)粒子系統(tǒng)。以單個(gè)車輛為研究對(duì)象，建立車輛運(yùn)動(dòng)規(guī)律及相互作用模型，主要包括縱向的跟馳模型和橫向的換道模型。
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車道上行駛車隊(duì)中相鄰兩車之間的相互作用。跟馳模型是研究前車運(yùn)動(dòng)狀態(tài)變化所引起跟馳車的相應(yīng)行為 [ 13 ] 。
跟馳行為，圖源：https://pbs.twimg.com/media/DVuWGxZU0AErtsM.jpg:large
按照現(xiàn)有的分類方式，跟馳模型分為交通工程學(xué)和心理生理學(xué)兩大類，或者是交通工程和統(tǒng)計(jì)物理兩大類，雖然分類方法有所差異，但是所指的模型均為過去六十多年跟馳行為建模研究中的典型模型 [ 13 ] 。其中主要包括汽車領(lǐng)域中實(shí)際應(yīng)用的 ACC 中的模型，交通領(lǐng)域中的刺激反應(yīng)類、心理生理類模型以及人工智能類模型等，如下表所示：
換道模型是微觀交通流理論中的另一核心模型 [ 14 ] ，可分為強(qiáng)制換道和自由換道：強(qiáng)制換道是指車輛為了完成其正常行駛目的而必須采取的換道行為，自由換道是指為了追求更快的車速、更自由的駕駛空間而發(fā)生的車道變換行為。兩類換道行為均可拆解為四個(gè)步驟：動(dòng)機(jī)產(chǎn)生，車道選擇，間隙選擇，換道執(zhí)行。
換道行為，圖源：https://mylearners.vic.gov.au/Stages/Stage3/LD-Changing-lanes
動(dòng)機(jī)產(chǎn)生：每一車輛都有期望車速，即在不受其它車輛約束的情況下駕駛員所希望達(dá)到的車速。期望車速與車輛機(jī)械性能、駕駛員特性、道路的限速措施等有關(guān)。當(dāng)車輛在當(dāng)前車道行駛時(shí)，由于受到前方慢車的影響而使其車速低于其期望車速的一定數(shù)值范圍內(nèi)，則車輛會(huì)產(chǎn)生任意性的車道變換意圖。而強(qiáng)制性換道的動(dòng)機(jī)則由車輛行駛路徑與車道功能的不匹配產(chǎn)生，如右轉(zhuǎn)需要進(jìn)入右轉(zhuǎn)專用道，因此車輛必須換道進(jìn)入該專用道進(jìn)行右轉(zhuǎn)。
車道選擇：對(duì)于自由性換道，考慮備選期望車道的平均車速、前車間距等建立效用模型，選擇效用大的一側(cè)車道進(jìn)行換道。對(duì)于強(qiáng)制性換道，車輛會(huì)向著距離目標(biāo)車道更近的車道換道。
間隙選擇：判斷目標(biāo)車道的前后換道間隙是否滿足可接受間隙，可接受間隙隱含了接受后車一定程度減速的意愿。此可接受間隙一般認(rèn)為與目標(biāo)車道前后車的速度差，與強(qiáng)制換道臨界點(diǎn)的距離相關(guān)。
換道執(zhí)行：學(xué)術(shù)界研究較少，一般首先考慮本車速度與車長(zhǎng)確定換道長(zhǎng)度，再規(guī)劃平滑的軌跡曲線，如五次多項(xiàng)式或貝賽爾曲線。
7. 可用平臺(tái)？支持國(guó)產(chǎn)！
現(xiàn)有的微觀交通流仿真平臺(tái)多為傳統(tǒng)交通工程領(lǐng)域內(nèi)的專業(yè)軟件，其發(fā)展可追溯到 20 世紀(jì)末，隨著我國(guó)快速的城鎮(zhèn)化、機(jī)動(dòng)化進(jìn)程，各大城市相繼出現(xiàn)嚴(yán)重?fù)矶聠栴}，對(duì)城市交通改善方案的精準(zhǔn)評(píng)估需求催生了大量仿真分析需求，國(guó)外微觀交通仿真軟件開始涌入中國(guó)市場(chǎng)。下面介紹三個(gè)典型的專業(yè)仿真軟件，分別是德國(guó)的 Vissim，SUMO 以及中國(guó)的 TESS NG。
VISSIM：PTV 集團(tuán)（保時(shí)捷汽車控股公司于 2017 年收購(gòu)）下的成熟商業(yè)微觀交通流仿真軟件，于 1979 年成立，用于開發(fā)歐洲交通模型 [ 15 ] 。Windows 平臺(tái)，支持二次開發(fā)，模型較完備，可信度較高 [ 16 – 18 ] 。費(fèi)用昂貴（十萬(wàn)起 [ 19 ] ），相關(guān)論壇及教程較少。
鏈接：https://www.ptvgroup.com/en/solutions/products/ptv-vissim/
SUMO：由德國(guó)航空航天中心下屬的交通系統(tǒng)研究所開發(fā)，開源交通流仿真軟件，支持跨平臺(tái)開發(fā) [ 20 ] 。模型不夠完善，如缺少非機(jī)動(dòng)車專用模型 [ 21 ] ，因此可信度存疑。
TESS NG：同濟(jì)大學(xué)孫劍教授課題組于 2006 年開始針對(duì)中國(guó)混合交通流運(yùn)行特征開展了 100 多項(xiàng)模型創(chuàng)新和仿真系統(tǒng)應(yīng)用實(shí)踐 [ 22 ] ，歷經(jīng)十?dāng)?shù)年開發(fā)的國(guó)產(chǎn)微觀交通仿真軟件，Windows 平臺(tái)，適應(yīng)中國(guó)高密度、多沖突的交通流環(huán)境，模型較完備 [ 23 ] ，可信度較高 [ 24 ] ，開放外部接口模塊調(diào)用并提供定制化用戶服務(wù)。
鏈接：https://www.jidatraffic.com/tessng/
總結(jié)
無人駕駛的可靠性需要 100 輛車全年無休地路測(cè) 225 年才得以證明 [ 3 ] ，而這幾乎是不可能實(shí)現(xiàn)的，因此借助計(jì)算機(jī)仿真技術(shù)對(duì)無人駕駛系統(tǒng)進(jìn)行虛擬測(cè)試與評(píng)價(jià)已成為行業(yè)普遍共識(shí)。其中微觀交通流仿真是構(gòu)造合理有效的仿真場(chǎng)景的關(guān)鍵技術(shù)，在交通工程的觀點(diǎn)中，核心模型為機(jī)理解析型的跟馳與換道模型。然而現(xiàn)有的無人駕駛仿真平臺(tái)都缺乏高逼真度交通流場(chǎng)景模擬能力，因此引入三個(gè)交通領(lǐng)域典型的微觀交通流仿真軟件：德國(guó)的 VISSIM, SUMO 和中國(guó)的 TESS NG，期待壯大的國(guó)產(chǎn)無人駕駛仿真與交通流仿真平臺(tái)！
參考文獻(xiàn)：
[ 1 ] 世界衛(wèi)生組織 . 道路交通傷害 . https://www.who.int/zh/news-room/fact-sheets/detail/road-traffic-injuries.
[ 2 ] Vision Zero - Wikipedia. https://en.wikipedia.org/wiki/Vision_Zero.
[ 3 ] KALRA N, PADDOCK S. Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? [ M ] //Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? RAND Corporation, 2016. DOI:10.7249/rr1478.
[ 4 ] Waypoint - The official Waymo blog: How simulation turns one flashing yellow light into thousands of hours of experience. https://blog.waymo.com/2019/08/how-simulation-turns-one-flashing.html.
[ 5 ] Inside Waymo ’ s Secret World for Training Self-Driving Cars - The Atlantic. https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/.
[ 6 ] 美國(guó)密歇根大學(xué) Mcity 研究中心主任 / 教授彭暉：自動(dòng)化車輛——當(dāng)前狀態(tài)，未來趨勢(shì)以及我們?cè)?M-city 所做的工作—— 2018 國(guó)際汽車只能共享出行大會(huì)速記 _ 智能互聯(lián) _ 汽車媒體 _ 中國(guó)汽車縱橫網(wǎng) . http://www.autochinazh.com/news/201811269574.html.
[ 7 ] 中國(guó)首部自動(dòng)駕駛仿真藍(lán)皮書重磅發(fā)布！汽車工業(yè)原創(chuàng)科技已經(jīng)崛起 . https://mp.weixin.qq.com/s?__biz=MzAwOTMxOTc2NQ==&mid=2650589391&idx=1&sn=83de1f089530ca37998ec3e305a2856f&chksm=83690cf5b41e85e312a33430e945ed11538d8702356ecfa93039f19e7fac0ddbf03143a9f19e&mpshare=1&scene=24&srcid=#rd.
[ 8 ] ELROFAI H, PAARDEKOOPER J P, GELDER E de 等 . StreetWise: scenario-based safety validation of connected automated driving [ J ] . 2018. TNO, 2018.
[ 9 ] FRAADE-BLANAR L, BLUMENTHAL M, ANDERSON J 等 . Measuring Automated Vehicle Safety: Forging a Framework [ M ] //Measuring Automated Vehicle Safety: Forging a Framework. RAND Corporation, 2018. DOI:10.7249/rr2662.
[ 10 ] VAN WAGENINGEN-KESSELS F, VAN LINT H, VUIK K 等 . Genealogy of traffic flow models [ J ] . EURO Journal on Transportation and Logistics, 2015, 4 ( 4 ) : 445 – 473. DOI:10.1007/s13676-014-0045-5.
[ 11 ] Junction Geometry. http://vision-traffic.ptvgroup.com/en-us/products/ptv-vissim/use-cases/junction-geometry/.
[ 12 ] Safety Report – Waymo. https://waymo.com/safety/.
[ 13 ] BRACKSTONE M, MCDONALD M. Car-following: A historical review [ J ] . Transportation Research Part F: Traffic Psychology and Behaviour, 1999, 2 ( 4 ) : 181 – 196. DOI:10.1016/S1369-8478 ( 00 ) 00005-X.
[ 14 ] ZHENG Z. Recent developments and research needs in modeling lane changing [ J ] . Transportation Research Part B: Methodological, 2014, 60: 16 – 32. DOI:10.1016/j.trb.2013.11.009.
[ 15 ] PTV VISSIM - Wikipedia. https://en.wikipedia.org/wiki/PTV_VISSIM.
[ 16 ] Professional Traffic Simulation Software | PTV Group. https://www.ptvgroup.com/en/solutions/products/ptv-vissim/why-ptv-vissim/.
[ 17 ] Detailed Traffic Simulation Software | PTV Group. https://www.ptvgroup.com/en/solutions/products/ptv-vissim/.
[ 18 ] Software for multimodal traffic simulation: PTV Vissim. https://www.ptvgroup.com/en-us/solutions/products/ptv-vissim/.
[ 19 ] PTV-VISSIM - 軟件下載 , 正版軟件購(gòu)買，軟件試用，軟件功能介紹，軟件評(píng)價(jià)—軟服之家 . https://www.ruanfujia.com/software/67392/.
[ 20 ] SUMO Documentation. https://sumo.dlr.de/docs/index.html.
[ 21 ] Simulation/Bicycles - SUMO Documentation. https://sumo.dlr.de/docs/Simulation/Bicycles.html.
[ 22 ] TOPS_ 交通運(yùn)行與仿真課題組 . http://202.120.167.6/.
[ 23 ] 論文專著 _ 科學(xué)研究 _TOPS 課題組 . https://tops.#edu.cn/research/publications.
[ 24 ] 系統(tǒng)研發(fā) _ 工程實(shí)踐 _TOPS 課題組 . https://tops.#edu.cn/practice/systems.
[ 25 ] 歡迎使用 TESS NG - 濟(jì)達(dá)交通 . https://jidatraffic.com/tessng/.
作者介紹：
張小卉，同濟(jì)大學(xué)交通工程研究生在讀，她的研究興趣在于駕駛行為、強(qiáng)化學(xué)習(xí)在自動(dòng)駕駛中的應(yīng)用以及交通領(lǐng)域的其他人工智能應(yīng)用。
關(guān)于機(jī)器之心全球分析師網(wǎng)絡(luò) Synced Global Analyst Network
機(jī)器之心全球分析師網(wǎng)絡(luò)是由機(jī)器之心發(fā)起的全球性人工智能專業(yè)知識(shí)共享網(wǎng)絡(luò)。在過去的四年里，已有數(shù)百名來自全球各地的 AI 領(lǐng)域?qū)I(yè)學(xué)生學(xué)者、工程專家、業(yè)務(wù)專家，利用自己的學(xué)業(yè)工作之余的閑暇時(shí)間，通過線上分享、專欄解讀、知識(shí)庫(kù)構(gòu)建、報(bào)告發(fā)布、評(píng)測(cè)及項(xiàng)目咨詢等形式與全球 AI 社區(qū)共享自己的研究思路、工程經(jīng)驗(yàn)及行業(yè)洞察等專業(yè)知識(shí)，并從中獲得了自身的能力成長(zhǎng)、經(jīng)驗(yàn)積累及職業(yè)發(fā)展。
感興趣加入機(jī)器之心全球分析師網(wǎng)絡(luò)？點(diǎn)擊閱讀原文，提交申請(qǐng)。
重慶分公司
重慶分公司
