面向交通流的智能駕駛仿真平臺設計*

陳博文，趙振東，趙小龍，沈浩，洪磊

面向交通流的智能駕駛仿真平臺設計*

陳博文1，趙振東1，趙小龍2，沈浩2，洪磊1

（1.南京工程學院汽車與軌道交通學院，江蘇 南京 211167；2.上海卓宇信息技術有限公司，上海 200093）

為了解決智能駕駛車輛在傳統仿真測試中存在的目標車輛駕駛行為單一，難以提供精度較高的交通流模型等問題，文章設計了一套面向交通流的智能駕駛仿真平臺，基于SUMO建立路網和微觀交通流模型，基于CarSim對車輛動力學模型和傳感器模型進行參數化建模，在Simulink環境下聯合仿真。以5輛車組成的混合交通流模型為例，測試車輛搭載AEB/FCW系統，通過測量測試車輛的FCW監測預警狀態、車速及車距隨時間的變化，定量分析車輛的安全性與環境感知性。仿真結果表明，該平臺能夠提供完整的測試車輛與交通流相互作用的測試環境，為我國智能駕駛測試領域研究提供一種思路。

CarSim；SUMO；仿真平臺；交通流

前言

如今交通已經成為我們生活中的一個重要角色。據公安部統計，截至2019年底，我國汽車保有量已到達2.6億輛，相比于2018年增加8.83%。汽車保有量的激增導致了交通擁堵和事故逐年增加，駕駛員在擁擠交通流中不恰當的駕駛行為往往是事故發生的主要原因。在傳統的智能駕駛車輛仿真測試中，通常是測試車輛與單個目標車輛參與仿真，驗證算法、傳感器、執行器等是否實現預期功能，對實際存在的交通流關注較少。由于交通流具有隨機性、不可重復性以及一定的危險性等特點，難以在實車測試中多次準確地復現交通流的變化。因此，為了及時發現測試車輛在交通流中可能存在的不足，對其進行仿真測試是十分必要的。采用仿真測試能在短時間內對某一種或混合交通流模型進行重復試驗，具有設計方案易修改、縮短研發周期、降低研發成本、避免危險事故發生等優點[1-3]。

國內外學者針對交通流進行一系列的研究，文獻[4]基于通信手段建立車路協同系統，從微觀角度分析車輛跟馳行為的影響，并從宏觀層面驗證了車路協同系統對交通效率的提升；文獻[5]提出一種新的車輛分布式協同調度方法，通過BP神經網絡算法分析交通流的狀態變化，建立交通誘導模型及信號控制模型，有效緩解交通擁堵情況；文獻[6]提出一個由手動車輛與智能車輛組成的混合交通流模型，在恒定時間間隔設置的假設下，對ACC/CACC系統的不同滲透率進行了模擬，結果表明在中高滲透率的情況下，最多可減少25%的變道行為。當前階段的研究主要集中于交通流模型優化后的宏觀表現，并未考慮智能駕駛車輛在不同交通流模型下的微觀變化。

為研究交通流對智能駕駛車輛的影響，本文建立了面向交通流的智能駕駛車輛仿真平臺，利用微觀交通流仿真軟件SUMO建立道路環境模型與交通流模型，利用整車動力學軟件CarSim建立動力學模型與傳感器模型，在Matlab/Simulink環境下實現聯合仿真。

1 微觀交通流模型理論

交通流是一門用于描述交通特性的重要基礎理論，主要分為宏觀交通流、中觀交通流和微觀交通流[7]。由于交通流中的任何一輛車都有可能對測試車輛造成影響，因此選擇使用微觀交通流，該交通流模型主要包含車輛跟馳模型與車輛換道模型，交通流中每一輛車的位置和速度都可作為研究對象。

1.1 車輛跟馳模型

車輛跟馳模型用于描述車輛在單車道上無法完成超車時，后車跟隨前車的駕駛行為。不同跟馳模型的差別在于安全行駛速度計算方式的不同，本文所用跟馳模型為改進后的Krauss模型[8-9]，在保持安全車距的前提下，盡可能滿足可行駛到的最大車速。因此，車輛需根據前車速度變化調整本車速度，計算出當前安全車速v，公式如下：

由于式（1）得出的安全車速可能大于自身的最大車速，或者大于當前道路允許的最大車速，只能選取三者當中的最小值作為期望速度v，公式如下：

其中，為最大加速度，△為仿真步長，v為車輛最大速度。

此外，考慮到駕駛水平的差異，無法保證每一位駕駛員都能完美駕駛，因此Krauss模型將駕駛的不完美程度作為重要參數考量，以此確定車輛在某一時刻的車速（）：

最終得到車輛下一步的位置信息：

1.2 換道模型

換道模型作為微觀交通流模型的重要組成，決定車輛在多車道道路上的道路選擇以及換道速度調整。SUMO目前已實現三種換道模型——DK2008、LC2013和SL2015（子車道模型）。LC2013模型是SUMO的默認換道模型，在DK2008模型基礎上優化而來，通過計算路網中的有效路徑進行換道選擇。在仿真步長的每一步計算所有車道的占有率，無需換道情況下車輛在當前車道能行駛的距離，以及距離最佳車道的偏離值[10]。

SUMO根據換道目的，將換道行為分成四種類型——戰略性變換車道、協議性變換車道、戰術性變換車道、遵循交通法規變換車道。不同換道行為的參數設置對交通流有著不一樣的影響，表1展示了四類換道行為的參數含義與參數取值范圍?？紤]到多數交通事故源于駕駛員不合理的變道行為，因此選取參數lcStrategic控制交通流中部分車輛強行變道行為。

表1 換道行為參數含義與取值范圍

2 仿真平臺設計

2.1 仿真平臺架構

圖1 仿真平臺架構

仿真平臺架構如圖1所示，在Simulink環境下構建連接模型，基于整車動力學軟件CarSim和微觀交通流仿真軟件SUMO實現聯合仿真。

2.2 軟件接口設計

聯合仿真平臺由CarSim提供測試車輛的動力學模型、傳感器模型以及控制算法；SUMO提供道路環境建模與交通流模型，二者在Matlab/Simulink環境下實現接口通信功能。

為了確保信息正確傳輸，在Simulink中基于UDP協議建立無線連接傳輸模型，將SUMO的交通流位置與速度信息作為輸入，傳遞給CarSim；并將CarSim的測試車輛的位置與速度作為輸出，傳遞給SUMO。圖2展示了CarSim與SUMO的信息傳輸關系。

利用CarSim已封裝好的Simulink接口，將CarSim的數學模型與輸出信息以S-Function模塊形式發送至Simulink。由于SUMO開源的緣故，需要用python編輯TraCI腳本并執行建立SUMO與Simulink的連接。

圖2 基于UDP協議的信息傳遞

2.3 整車動力學參數模型

CarSim是一款面向整車的參數化建模軟件，由于不需要機械結構實體建模，一定程度上避免因軟件建模導致的誤差。研究人員可通過臺架試驗，獲得相關功能性參數，例如簧上質量參數、傳動系參數、轉向系參數、空氣動力學參數、制動系參數、懸架K/C特性、輪胎特性等8類36個參數[11]，并在軟件進行設置，如圖3所示。本文不對具體某款車進行仿真測試，故選擇CarSim軟件自帶的C級車動力學模型。

圖3 整車動力學參數模型

2.4 虛擬傳感器模型

為使得測試車輛能夠在仿真過程中對交通流進行監測和反應，有必要建立測試車輛的虛擬傳感器模型。CarSim中可以對傳感器位置，監測距離和角度、靈敏度等參數進行設定，本文選取用于FCW功能測試的CarSim內置傳感器，參數設置如圖4所示。

圖4 虛擬傳感器模型設置

2.5 道路環境模型

道路環境模型包含路網結構、轉向標識、車道數、車道寬度、交通信號燈等一系列參數，這些參數均可在SUMO中編輯生成xml文件。有兩種道路建模方法可以選擇：第一種是使用netconvert命令生成路網，將節點文件（nod.xml）、邊文件（edg.xml）、連接文件（con.xml）等整合成路網文件（net.xml），或從外部導入路網文件，例如OSM地圖。第二種是使用netedit程序，通過可視化界面直接繪制道路模型。

需要注意的是CarSim也需要創建道路模型，尤其要確保路網結構與SUMO一致，用于確保仿真動畫的真實性。本文的研究重點在仿真平臺的實現，因此道路復雜程度不作考慮。

3 基于混合交通流的仿真分析

本文所建仿真平臺通過標定微觀交通流模型參數、測試車輛的動力學參數和傳感器參數，對測試車輛在某一交通流中的表現進行定量分析，由于當前尚未建立面向交通流的智能駕駛車輛測試標準，因此本文以測試車輛是否實現AEB和FCW功能進行評價。

表2 測試車輛及交通流模型初始位置信息

本文采用的混合交通流模型由5輛車組成，其中1輛使用Krauss跟馳模型，4輛使用ACC跟馳模型；換道模型皆使用LC2013模型。測試車輛及交通流模型的初始位置如表2所示，交通流車輛行駛參數如表3所示。5輛車皆由靜止狀態啟動，定義了不同的加速度、駕駛員不完美程度以及戰略性換道渴望程度。

測試車輛搭載AEB（自動緊急制動）和FCW（前方碰撞預警）系統，當傳感器檢測到本車與前車存在碰撞可能性時，FCW系統對駕駛者進行警告顯示，但不會采取制動；隨后執行AEB系統進行減速，本車AEB系統允許的最大減速度為4m/s2。測試車輛出發時間為第0s，計劃在10s加速至50m/s。

表3 交通流車輛行駛參數

仿真結果如圖5至圖7所示，圖5中“Show FCW”表示測試車輛的FCW檢測預警狀態，0為無預警，1為顯示預警；圖6中“Instant CG，vehicle”表示實際車速，“Target Speed”表示目標車速；圖7中“Sensor1，detect1”至“Sensor1，detect5”表示測試車輛傳感器監測的距離最近的5輛車。

圖5 FCW監測預警狀態

圖6 車速隨時間變化曲線圖

結合仿真動畫可以看出，測試車輛（vehicle_0）在第0s從靜止狀態出發，在1.76s時，監測到vehicle_4變道至1車道的行為，并于1.77~2.6s變道期間持續發出FCW警告。由于前車（vehicle_4）速度大于測試車輛（vehicle_0），因此AEB系統未介入，測試車輛（vehicle_0）仍按照目標速度繼續行駛。在7~8.8s期間，vehicle_2的不當駕駛行為使得車輛處于兩股車道的中間位置，且車速未大于后車（vehicle_4），導致后車（vehicle_4）無法加速至道路允許最大車速，同時測試車輛（vehicle_0）在7~7.5s期間AEB系統介入工作，測試車輛（vehicle_0）進行減速，7.5~8.8s期間處于固定車速的跟隨狀態。隨后vehicle_2和vehicle_4以大于測試車輛（vehicle_0）的速度加速駛離道路，測試車輛加速至預期速度。雖然測試車輛加速表現略有誤差，超出預期車速，但誤差在6%以內可以接受。

圖7 車距隨時間變化曲線圖

4 結束語

本文設計了一套面向交通流的智能駕駛仿真測試平臺，實現了搭載AEB和FCW系統的智能駕駛車輛在微觀交通流中的仿真測試。該平臺的設計希望為研究人員提供具有借鑒意義的思路。考慮到本文所用車輛模型和傳感器與真實模型有一定偏差，后續可根據實驗數據對其進行更加精準的參數設定，以模擬更加真實的測試環境。

[1] 孫揚,付智超,熊光明.無人駕駛車輛虛擬測試技術的發展[J].科技導報,2019,37(15):106-113.

[2] Huang W L,Lv Y S,Chen L,et al.Accelerate the autonomous vehicles reliability testing in parallel paradigm[C].International Conference on Intelligent Transportation Systems. Piscataway, NJ: IEEE, 2018: 922-927.

[3] Zhao D C,Weng J K,Liu Y H.Generating traffic scene with deep conv -olutional generative adversarial networks[C].2017 Chinese Automa -tion Congress (CAC). Piscataway, NJ:IEEE,2017:6612-6617.

[4] 謝輝.車路協同環境下的車輛跟馳行為研究[J].公路,2019,64(08): 317-320.

[5] Sun D H,Zhang M,Chuan T.Multiple optimal current difference eff -ect in the lattice traffic flow model[J].Current Opinion in Pediatrics, 2014,28(11):640-621.

[6] 戴冀峰,馬健霄.交通工程概論[M].北京:人民交通出版社,2006.

[7] Stefan Krau?. Microscopic Modeling of Traffic Flow: Investigation of Collision Free Vehicle Dynamics.PhD thesis.1998.

[8] SUMO User Documention[Z].SourceForge.net,2011.

[9] Kruass S,Wagner P,Garwon C.Matastable States in a Microscopic Model of Traffic Flow[J].Physical Review E,1977,55(304):55-97.

[10] Jakob Erdmann.Modeling Mobility with Open Data[M].USA: Sprin -ger International Publishing,2015:105-123.

[11] 孫濤,丁琴琴,李衛兵,李娟.ADAS系統測試平臺設計及實現[J].中國測試,2019,45(04):151-156.

Design of Intelligent Driving Simulation Platform for Traffic Flow*

Chen Bowen1, Zhao Zhendong1, Zhao Xiaolong2, Shen Hao2, Hong Lei1

( 1.Nanjing Institute of Technology, Jiangsu Nanjing 211167; 2.Shanghai Turing Info Co., Ltd., Shanghai 200093 )

In order to solve the problem of single target vehicle driving behavior in the traditional simulation test of intelligent driving vehicle and the difficulty of providing a high-precision traffic flow model, this paper designed a set of intelligent driving simulation platform for traffic flow. Road network and microscopic traffic flow model were established by SUMO. Meanwhile, the vehicle dynamics parametrical model and sensor model were established by CarSim, which jointly simulated under Simulink environment. Taking a mixed traffic flow model composed of 5 vehicles as an example, the test vehicle was equipped with the AEB/FCW system. By measuring the FCW status, vehicle speed and changes in vehicle distance over time, it was able to analyzes the vehicle’s safety and environmental perception quantitatively. The simulation results showed that the platform could provide a complete test environment for testing the interaction between test vehicle and traffic flow, which provided an idea for the research in the field of intelligent driving testing in the country.

CarSim; SUMO; Simulation platform; Traffic flow

10.16638/j.cnki.1671-7988.2021.06.012

U495

A

1671-7988(2021)06-38-04

U495

A

1671-7988(2021)06-38-04

陳博文（1995-），男，碩士研究生，就讀于南京工程學院汽車與軌道交通學院，研究方向：智能駕駛技術。

江蘇省第十六批“六大人才高峰”資助項目（JXQC-005）。