本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

自動駕駛測試離不開仿真系統(tǒng)。

這種高效低成本的方法，可以模擬車輛在真實環(huán)境下遇到的各種情況，以提高車輛真正上路后的安全性。

因此，模型的準(zhǔn)確性成為了仿真系統(tǒng)的關(guān)鍵之一。

該領(lǐng)域的最新成果，首次實現(xiàn)了高精度的具有統(tǒng)計學(xué)真實性的自然駕駛仿真環(huán)境，并登上《Nature Communications》，并被選為編輯精選文章（Editor's Highlights）。

它可以生成分布級別準(zhǔn)確的安全關(guān)鍵事件，包括事故沖撞和沖突事件（near-miss）。

審稿人表示，該研究對自動駕駛的開發(fā)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(zhàn)。

第一是維度災(zāi)難（Curse of Dimensionality）。

在真實的交通環(huán)境里，車輛很多、車輛之間的交互非常復(fù)雜、時間域比較長。這使得統(tǒng)計學(xué)真實下建立高精準(zhǔn)度的仿真環(huán)境，將會是一個高維問題。

第二是稀度災(zāi)難（Curse of Rarity）。

在真實的交通環(huán)境里，事故是少數(shù)，一英里發(fā)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(yè)界和學(xué)術(shù)界共同面臨的難題。

第三方面挑戰(zhàn)來自分布變化。

這對于基于機器學(xué)習(xí)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(dǎo)致頻繁駛離道路、不真實的碰撞，甚至是整個系統(tǒng)的崩潰。

此外，由于駕駛環(huán)境內(nèi)的高度交互性，單個智能體的不真實行為會影響并傳播到仿真系統(tǒng)中的所有智能體。

NeuralNDE的提出就是為了解決上述挑戰(zhàn)。它的框架如下：

預(yù)訓(xùn)練階段，將所有車輛歷史時間內(nèi)的過去狀態(tài)作為輸入，預(yù)測其未來行為的聯(lián)合分布。

利用BERT基礎(chǔ)模型的最新進(jìn)展，Transformer作為行為建模網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)，來表征多智能體交互行為。

推理階段包括行為建模網(wǎng)絡(luò)、沖突判別模塊和安全映射網(wǎng)絡(luò)。

其中，行為建模網(wǎng)絡(luò)能夠預(yù)測各車輛的行為分布。但是由于訓(xùn)練數(shù)據(jù)中，安全關(guān)鍵事件非常少，所以在安全關(guān)鍵條件下，預(yù)測會不夠準(zhǔn)確，比如出現(xiàn)碰撞率虛高的情況。

這種情況下，安全映射網(wǎng)絡(luò)將指導(dǎo)車輛行為。

研究團隊在推理過程中引入了沖突批判機制，它在模擬過程中控制危險駕駛行為的發(fā)生頻率和模式。

如果有潛在沖突事件，將會允許在一定概率下接受車輛執(zhí)行危險行為，并不傳遞給安全映射網(wǎng)絡(luò)。這個概率是和軌跡相關(guān)的，并且會進(jìn)行校準(zhǔn)，以符合真實路況的安全臨界統(tǒng)計。

在模擬過程中，所有道路使用者的狀態(tài)將根據(jù)每個模擬步驟中的行為建模網(wǎng)絡(luò)、沖突批判模塊和安全映射網(wǎng)絡(luò)進(jìn)行更新，以自回歸生成仿真環(huán)境。

為了驗證方法的有效性，團隊對兩個真實多車道環(huán)形交叉口進(jìn)行研究。

團隊表示，這是第一次實現(xiàn)了高精度的具有統(tǒng)計學(xué)真實性的自然駕駛仿真環(huán)境，特別是針對長尾事件。

此外，該系統(tǒng)可以進(jìn)行長時間的模擬（小時級別），其中訓(xùn)練或測試中的自動駕駛車輛可以持續(xù)和場景中的非測試車輛進(jìn)行交互。

除了自動駕駛測試外，該系統(tǒng)還能用于交通設(shè)施安全性能評估等安全應(yīng)用中。

如下是一個測試場景。b圖中紅色避讓區(qū)域為避讓車輛，藍(lán)色區(qū)域為沖突車輛，避讓距離和速度都在圖中有標(biāo)注。

研究團隊使用了大約15000個小時的模擬數(shù)據(jù)來驗證NeuralNDE的性能。

主要實驗結(jié)果如下。

圖a是車輛碰撞類型分布，圖b是車輛碰撞嚴(yán)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(jié)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(tǒng)計情況，這證明該方法在車輛安全關(guān)鍵行為方面能夠準(zhǔn)確建模。

研究團隊表示，接下來他們還將進(jìn)一步開發(fā)和提升NeuralNDE，并嘗試分析自動駕駛對周圍車輛產(chǎn)生的影響。

團隊介紹

本文的共同一作為Xintao Yan 嚴(yán)鑫濤，密西根大學(xué)五年級博士生，他于2018年在清華大學(xué)車輛與運載學(xué)院取得學(xué)士學(xué)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(huán)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(xué)博士后，現(xiàn)為北航教授。

本文的通訊作者為：Henry X. Liu教授，密西根大學(xué)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 (朱昊杰)，Haowei Sun（孫昊葳）。

論文地址：https://www.nature.com/articles/s41467-023-37677-5

嚴(yán)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