今天小編分享的科學經驗：自動駕駛仿真系統登Nature子刊，準确建模事故率事故類型，全華人團隊打造，歡迎閲讀。
自動駕駛測試離不開仿真系統。
這種高效低成本的方法，可以模拟車輛在真實環境下遇到的各種情況，以提高車輛真正上路後的安全性。
因此，模型的準确性成為了仿真系統的關鍵之一。
該領網域的最新成果，首次實現了高精度的具有統計學真實性的自然駕駛仿真環境，并登上《Nature Communications》，并被選為編輯精選文章（Editor's Highlights）。
它可以生成分布級别準确的安全關鍵事件，包括事故衝撞和衝突事件（near-miss）。
審稿人表示，該研究對自動駕駛的開發和部署都具有重要意義。
高精度建模長尾事件
該研究主要面臨三方面挑戰。
第一是維度災難（Curse of Dimensionality）。
在真實的交通環境裏，車輛很多、車輛之間的互動非常復雜、時間網域比較長。這使得統計學真實下建立高精準度的仿真環境，将會是一個高維問題。
第二是稀度災難（Curse of Rarity）。
在真實的交通環境裏，事故是少數，一英裏發生交通事故的概率約為 0.000001。因此想要高精度建模這些長尾事件，是目前業界和學術界共同面臨的難題。
第三方面挑戰來自分布變化。
這對于基于機器學習的仿真模型尤其重要。空間和時間上的小誤差積累，可能會導致頻繁駛離道路、不真實的碰撞，甚至是整個系統的崩潰。
此外，由于駕駛環境内的高度互動性，單個智能體的不真實行為會影響并傳播到仿真系統中的所有智能體。
NeuralNDE 的提出就是為了解決上述挑戰。它的框架如下：
預訓練階段，将所有車輛歷史時間内的過去狀态作為輸入，預測其未來行為的聯合分布。
利用 BERT 基礎模型的最新進展，Transformer 作為行為建模網絡的骨幹網絡，來表征多智能體互動行為。
推理階段包括行為建模網絡、衝突判别模塊和安全映射網絡。
其中，行為建模網絡能夠預測各車輛的行為分布。但是由于訓練數據中，安全關鍵事件非常少，所以在安全關鍵條件下，預測會不夠準确，比如出現碰撞率虛高的情況。
這種情況下，安全映射網絡将指導車輛行為。
研究團隊在推理過程中引入了衝突批判機制，它在模拟過程中控制危險駕駛行為的發生頻率和模式。
如果有潛在衝突事件，将會允許在一定概率下接受車輛執行危險行為，并不傳遞給安全映射網絡。這個概率是和軌迹相關的，并且會進行校準，以符合真實路況的安全臨界統計。
在模拟過程中，所有道路使用者的狀态将根據每個模拟步驟中的行為建模網絡、衝突批判模塊和安全映射網絡進行更新，以自回歸生成仿真環境。
為了驗證方法的有效性，團隊對兩個真實多車道環形交叉口進行研究。
團隊表示，這是第一次實現了高精度的具有統計學真實性的自然駕駛仿真環境，特别是針對長尾事件。
此外，該系統可以進行長時間的模拟（小時級别），其中訓練或測試中的自動駕駛車輛可以持續和場景中的非測試車輛進行互動。
除了自動駕駛測試外，該系統還能用于交通設施安全性能評估等安全應用中。
如下是一個測試場景。b 圖中紅色避讓區網域為避讓車輛，藍色區網域為衝突車輛，避讓距離和速度都在圖中有标注。
研究團隊使用了大約 15000 個小時的模拟數據來驗證 NeuralNDE 的性能。
主要實驗結果如下。
圖 a 是車輛碰撞類型分布，圖 b 是車輛碰撞嚴重程度分布，圖 c 是險情下車輛距離分布，圖 d 是險情情況下 PET（post-encroachment time）分布，PET 越小表示情況越危險。
這些結果表明，除了車輛碰撞事故，NeuralNDE 還可以表征真實情況下的近距離事故統計情況，這證明該方法在車輛安全關鍵行為方面能夠準确建模。
研究團隊表示，接下來他們還将進一步開發和提升 NeuralNDE，并嘗試分析自動駕駛對周圍車輛產生的影響。
團隊介紹
本文的共同一作為 Xintao Yan 嚴鑫濤，密西根大學五年級博士生，他于 2018 年在清華大學車輛與運載學院取得學士學位。研究重心為自動駕駛的安全性，包括如何基于高精度的仿真環境測試和提高自動駕駛汽車安全水平。
另一位一作是 Zhengxia Zou 鄒征夏博士，完成該工作時為密西根大學博士後，現為北航教授。
本文的通訊作者為：Henry X. Liu 教授，密西根大學 Civil and Environmental Engineering 系教授，Mcity 主任，Center for Connected and Automated Transportation 主任。
其他作者包括 Shuo Feng ( 封碩博士 ) ，Haojie Zhu ( 朱昊傑 ) ，Haowei Sun（孫昊葳）。
論文地址：
https://www.nature.com/articles/s41467-023-37677-5
嚴鑫濤主頁：
https://yougeyxt.github.io/
鄒征夏主頁：
https://zhengxiazou.github.io/
Henry X. Liu 教授實驗室主頁：
https://traffic.engin.umich.edu/home
