王 華，何曉宇，徐靜，徐明亮，霍二福，李冠峰，金保華

(1.鄭州輕工業(yè)大學 計算機與通信工程學院，河南 鄭州 450001；2.鄭州大學 圖書館，河南 鄭州 450001；3.鄭州大學 信息工程學院，河南 鄭州 450001；4.河南省化工研究所有限公司，河南 鄭州 450052；5.中國船舶重工集團公司第七一三研究所，河南 鄭州 450015)

0 引言

車輛是城市交通場景的重要組成部分。車輛群組運動仿真致力于對交通場景中每一時刻每一輛車的運動位置和狀態(tài)進行精確計算，從而突破時間和空間的限制，實現各種環(huán)境下任意復雜、任意尺度車輛運動的模擬和推演[1-2]。車輛群組運動仿真技術對智能駕駛、交通優(yōu)化、影視游戲等領域的發(fā)展具有極其重要的意義。

車輛群組運動仿真中，車輛可以被抽象認為是“駕駛員-車輛”組成的智能體單元。車輛的運動可以看作是由駕駛員駕駛的智能體單元的運動。駕駛員在復雜動態(tài)環(huán)境中結合實時環(huán)境狀態(tài)、車輛物理屬性、自身的生理/認知屬性等產生駕駛決策，從而操縱車輛，使其能夠安全平穩(wěn)地行駛。將駕駛員性格、體力、認知等交通心理學因素融入車輛群組運動仿真中，構建可呈現不同心理作用影響下的車輛群組運動仿真方法，實現豐富多樣和具有“生命力”的真實感車輛群組運動行為演繹，有望從根本上提升車輛運動仿真的真實性和可靠性。

近年來，計算機圖形學領域的學者已經對車輛群組運動建模技術展開了大量的研究，并取得了顯著的研究成果。目前國內外已有不少研究機構對車輛群組運動仿真技術展開了研究并積累了豐富的研究成果。如北卡萊羅納大學建模與仿真實驗室、普渡大學、浙江大學、大連理工大學、吉林大學、東南大學、中國科學院計算技術研究所、鄭州大學等。

筆者對融合交通心理學車輛群組運動仿真相關技術做綜述介紹，提出了目前該研究中一些可以繼續(xù)深入探討的問題，以期對本領域研究人員有所裨益。

1 交通心理學研究

目前交通心理學主要從駕駛員人格、生理、認知等方面對車輛群組運動仿真中駕駛員的行為決策機制展開研究。

1.1 駕駛員人格心理

人格是指個體在行為上的內部傾向，它表現為個體適應環(huán)境時在能力、情緒、需求、動機、興趣、態(tài)度、價值觀、氣質、性格等方面的整合，是具有動力一致性和連續(xù)性的自我特征[3-4]。

駕駛員人格心理學主要研究駕駛員性格、動機、個體差異等對駕駛行為的影響[5-11]。Fine等[12]驗證了艾森克人格理論的假設，即外向性駕駛員比內向性駕駛員更容易產生交通事故和違章行為。Ge等[13]研究了憤怒與危險駕駛行為之間的關系，并且指出，在消極認知、消極情緒駕駛、攻擊性駕駛中其表現尤為明顯。Schwebel等[14]探討了尋求刺激、責任心、憤怒等3種人格特質在危險駕駛行為中的作用。Dahlen等[15]研究了在攻擊性和風險性駕駛中，感覺尋求、沖動、無聊傾向等對駕駛情緒的影響。Zhang等[16]對駕駛憤怒與5種駕駛結果(攻擊性駕駛、危險駕駛、駕駛失誤、近距離脫險和事故)之間的關系進行研究。Iliescu等[17]調查了危險駕駛在年齡、性別、專業(yè)駕駛方面的差異，以及危險駕駛與駕駛里程和交通違章行為之間的關系等。

1.2 駕駛員生理心理

生理心理學以大腦為中心研究心理現象的生理機制，主要是對行為和心理的神經價值研究。

駕駛員生理心理學主要研究分析駕駛員生理信號和行為關系[18-21]。Christopoulos等[22]利用深度神經網絡結構，提出了一種利用滑動相關系數監(jiān)督駕駛員疏忽行為的新方法。Naurois等[23]利用人工神經網絡模型檢測駕駛員睡意程度和適度睡眠所需的時長。Patel等[24]研究發(fā)現駕駛員心率變化可用來量化駕駛員的困倦程度，并基于此設計了一種基于神經網絡的智能算法來檢測駕駛員是否處于疲勞狀態(tài)。Chai等[25]提出了一種基于腦電圖的駕駛員疲勞分級方法(疲勞狀態(tài)與警戒狀態(tài))，該方法可有效用于駕駛員疲勞狀態(tài)的識別。Fraadeblanar等[26]研究了年齡與車禍風險之間的關系。

1.3 駕駛員認知心理

認知心理學采用信息加工的觀點研究構建人類接收、貯存和運用信息的計算機模型[27-28]。其主要包括視覺、知覺、記憶等認知過程的建模[29-30]。根據研究對象的不同，現有主流的認知方法可分為個體認知方法和分布式認知方法[31]。

個體認知方法從認知主體出發(fā)，用符號化語言或者神經網絡的思想來解釋人腦內部對環(huán)境信息的認知過程，其主要思想是將人比喻成計算機，把人腦處理信息的過程看作是計算機對外界信息加工的過程，通過定義一些確定的參數來分析信息加工系統的經濟性原則。隨著認知場景和任務越來越復雜，John等[32]提出的ACT-R模型,從認知基礎理論出發(fā)，用不可分的認知操作元素和相應的構成框架對人類的認知行為進行建模。Fu等[33]提出的PMJ模型將人類的認知過程歸納為感知、記憶和判斷3個階段，并給出了認知加工的多條通路和一系列認知加工策略。個體認知方法從認知主體出發(fā)，對人類依據自身能力實現的認知過程進行了詳細建模，是其他認知理論的基礎。

分布式認知方法不再局限于認知主體，而是從更廣的角度研究分析認知加工機制，是綜合考慮認知主體和認知環(huán)境(周圍環(huán)境、工具、情境等)的系統化的分析[31]。其充分考慮駕駛員認知活動本身的復雜性以及認知環(huán)境的復雜性, 認為認知并不僅僅是對其內部表征的加工, 而且是內部表征與外部表征共同作用的結果。當然，分布式認知理論中個體認知仍然處于核心地位。駕駛員在處理復雜信息時,不可能脫離外部環(huán)境信息的支持。分布式認知理論被認為是更符合人類認知特征的一種理論[34]。分布式認知理論的上述特性，使得在分布式認知建模中，不僅需要對認知主體的認知過程進行建模，還需要對主體所處環(huán)境等進行建模[31]，并將建模結果進行充分融合，從而獲得更準確合理的認知結果。

現有針對駕駛員行為決策的認知心理學研究工作主要從個體認知角度出發(fā)，研究分析視覺、知覺、注意、記憶等對駕駛員認知過程的影響[35-39]。在視覺方面，Campbell等[40]認為，人的視覺系統具有頻率適應性，不同人對頻率通道的劃分有差異，駕駛經驗不同的駕駛員感知得到的環(huán)境信息量存在差異。Sowden等[41]認為駕駛員的視覺信息來源于視覺空間頻率通道與視野圖像信息適應性交互調諧后的結果。Strayer等[42]通過實驗分析了開車過程中的外界干擾對認知的影響，指出車內引入語音系統會造成司機的注意力分散。Reimer等[43]分析了認知需求與駕駛員對車輛周圍環(huán)境感知能力之間的關系。Wood等[44]指出駕駛員在感知環(huán)境信息時，更容易根據前期路況記憶做出習慣性行為而導致錯誤的決策。Patten等[45]對認知負荷和駕駛員經驗之間的關系展開了研究，研究結果表明，經驗豐富的駕駛員更能有效地捕獲周圍環(huán)境信息并做出正確的駕駛決策。Anstey等[46]研究了認知功能和駕駛員年齡的關系，結果表明，駕駛員年齡和其認知能力呈反比關系。

1.4 小結

目前心理學領域已有大量的研究成果可以借鑒，但這些成果一般都是通過性向測試來分析駕駛員的生理、性格等特征，很少有基于上述特征的駕駛員行為決策的計算模型。

認知心理學領域以心理學研究成果為基礎，研究構建駕駛員認知過程的計算機模型。這些模型大都從個體認知理論出發(fā)，采用一系列復雜的處理模塊來模擬駕駛員產生和組織智能行為的過程，計算效率比較低，主要用于單個智能體的運動控制，不適合應用于車輛群組運動仿真中。此外，這些模型一般并不對認知主體所處環(huán)境等建模。

2 車輛群組運動仿真技術

目前主流的車輛群組運動仿真方面的工作大體可以分為模型驅動的方法、數據驅動的方法、混合驅動的方法，如圖1所示。

圖1 仿真方法分類

2.1 模型驅動的方法

模型驅動的方法通過構建描述車輛群組運動的數學模型實現對車輛運動的模擬。根據對車輛個體描述細致程度的不同，模型驅動的車輛群組運動仿真方法主要分為宏觀方法和微觀方法。

宏觀方法將車流看作連續(xù)的介質，以線路上車流的密度、速度等宏觀量來刻畫車流的運動。經典的各向異性模型[47-49]和格子流模型[50-51]等都屬于宏觀模型。

微觀方法以單個車輛為研究單元，描述車輛之間相互作用的時空行為，主要包括基于連續(xù)動力學的方法[52-54]、基于社會力學的方法[55-61]、基于元胞自動機的方法[62]等。Shen等[63]提出了改進的IDM 模型，通過區(qū)分暢通時車輛加速行為和接近前車時車輛減速行為的不同，實現了不同場景下車輛運動行為的建模。Dorado等[60]將IDM模型用于自動構建的三維城市交通場景模擬中。Wang 等[64]將一體化的換道模型和IDM模型相結合，實現了各種復雜路口下的車輛運動模擬。Best 等[65]提出了一種支持動態(tài)策略設置以及融合交通約束的無人車自動導航技術。Xu等[59]提出了一種霧天車輛運動模擬方法。Wang等[61]通過引入影子車輛的概念，實現了各種異常交通場景下的車輛群組運動模擬。如圖2所示為微觀模型驅動下的一些仿真效果圖[59,61,63,65]。

圖2 仿真效果圖

模型驅動的方法主要采用數學或者物理模型對車輛群組運動建模，可以從原理上實現群組運動的有效模擬，能夠充分解決“為什么”的問題。但是模型一般都做了過多簡化和理想的假設處理，相關行為特征的控制參數選取和設置大多基于主觀經驗，缺乏真實數據支撐。

2.2 數據驅動的方法

數據驅動的方法通過對現實世界中存在的大量真實交通數據進行學習，提取樣本或實例數據的特征，從而訓練出智能、符合真實駕駛行為的模型，據此實現對車輛群組運動的建模。Chao等[66]借助紋理合成技術將輸入的離散軌跡數據用于車輛運動重建。Chen等[67]將視頻數據和傳感器數據相結合，采用深度學習技術實現了車輛駕駛行為的模擬。Bi等[68]基于已有的換道數據集，采用機器學習算法對車輛換道過程進行建模，從而生成了自然逼真的車輛換道行為。Sewall等[69]基于傳感器數據并采用濾波算法實現了對路網內的車輛運動行為的重建。Yang等[70]給出了一種基于真實軌跡數據的交通流重建技術。

數據驅動的方法由于基于真實數據的自然優(yōu)勢，可以充分挖掘出環(huán)境和駕駛行為決策之間的關聯信息，充分解決了“是什么”的問題，但是受所使用數據規(guī)模的限制，難以完整刻畫真實車輛群組運動行為，這使得仿真敏感度非常低，魯棒性很差。

2.3 混合驅動的方法

混合驅動的方法將模型驅動方法中構建的數學模型和數據驅動方法采集得到的數據相結合，將樣本數據集用于模型參數的調節(jié)和校驗，從而模擬出更為真實的群組運動效果。Wilkie等[71]采用卡爾曼濾波技術將傳感器采集的數據用于車輛運動行為模擬的參數校正中，并取得了不錯的仿真效果。Chao等[72]提出了一種具有記憶功能的IDM模型，模型根據輸入的車輛軌跡數據，采用自適應遺傳算法對模型參數進行離線學習，從而驅動模型重構車流運動。Lu等[73]通過訓練學習IDM模型中參數取值，實現了簡單的個性化車輛運動模擬。

混合驅動的方法充分利用已有數據與刻畫車輛群組運動的計算模型相結合，一定程度上來說，具有從根本上提升仿真效果的真實感和可信度。

3 融合交通心理學的車輛群組運動仿真

融合交通心理學的車輛群組運動仿真致力于將上述第1節(jié)相關內容融入第2節(jié)的車輛群組運動仿真技術中，從而實現復雜環(huán)境中駕駛員心理決策各異性影響下的車輛運動建模。

根據是否對駕駛員自身心理認知加工機制建立數學模型，融合交通心理學的車輛群組運動仿真方法可以分為非認知加工機制方法和認知加工機制方法兩種。

3.1 非認知加工機制方法

非認知加工機制方法指的是不單獨對駕駛員自身心理認知過程建立數學模型，而是通過調整現有車輛運動仿真模型參數，改造現有車輛運動仿真模型或者使用完全數據學習等方法來實現駕駛員多樣性心理特征影響下的車輛運動模擬。

在調整現有車輛運動仿真模型參數方面，Lu等[73]通過訓練計算IDM模型參數的取值，實現了較為真實的個性化車輛運動模擬效果。Xu等[74]采用變化的安全車間距來模擬車輛運動仿真中的攻擊型駕駛行為和保守型駕駛行為。

在改造現有車輛運動仿真模型方面，Lu等[75]給出了一種避免事故的全局速度差模型，考慮了靠近前車時心理力和生理力對當前車輛加速度的影響。Leutzbach等[76]采用不同閾值和期望距離，給出了一種基于駕駛員心理-生理因素的車輛跟馳模型。

完全數據學習方法指的是完全依靠海量數據的訓練學習來實現個性化車輛運動的模擬。例如，Chen等[67]基于視頻數據和三維點云數據，實現了多樣化的駕駛行為模擬；Possaniespinosa等[77]通過收集大量駕駛行為和性格特征數據，實現了可信的虛擬駕駛行為模擬。

非認知加工機制方法的計算效率與不考慮交通心理學的車輛群組運動仿真方法的計算效率相當。因此，上述方法被廣泛應用于個性化車輛群組運動仿真中。該方法也是現有主流交通仿真軟件實現多樣性車輛運動仿真所采用的方法。

3.2 認知加工機制方法

基于認知加工機制的方法致力于將交通心理學的研究成果應用于車輛運動仿真中。該類方法的基本思路是首先對駕駛員的認知過程構建可計算的模型，然后將模型計算結果和車輛群組運動仿真方法相結合，實現融合交通心理學的車輛運動模擬。例如，采用本文第1.3部分提到的ACT-R模型、PMJ模型[33](如圖3所示)等對駕駛員的場景認知過程建立模型，建模過程中可以考慮駕駛員性格、生理等因素。車輛結合自身運動學、動力學屬性，周圍環(huán)境的狀態(tài)，綜合得出相應的運動行為決策。

圖3 PMJ模型示意圖

該類方法需要采用一系列的處理模塊來模擬駕駛員產生和組織智能行為的過程，因此具有較高的計算復雜度。該類方法主要用于單個智能車的控制，用于群組運動仿真時在效率方面存在瓶頸。

4 總結與展望

車輛群組運動仿真模擬需要綜合融合心理學等社會科學的理論與方法和信息科學在虛擬現實、計算機圖形學、機器學習、人工智能等活躍領域的前沿技術。融合交通心理學的車輛群組運動仿真可實現不同心理作用影響的車輛群組運動行為建模。該技術目前仍然存在不少難點和挑戰(zhàn)，有待進一步深入研究。

(1)極端交通樣本數據的生成。異常事故、惡劣天氣等極端交通場景數據匱乏。完全模型驅動的車輛運動仿真技術又很難實現個性化、多樣化的車輛運動行為模擬。在虛擬環(huán)境中構建極端交通場景并實現該場景內的車輛群組運動仿真可為無人駕駛提供大量廉價的極端交通樣本數據集。該項研究具有重要的現實意義。

(2)人腦認知過程的可計算模型構建。構建融入心理機制的可計算框架，歸納出合理的數學模型，從而量化各種心理因素對駕駛員行為的影響，形成刻畫復雜心理機制的駕駛員大腦認知計算模型，實現高層心理特征向低層運動行為控制的映射。構建心理機制計算模型模擬駕駛員決策行為的自主演進過程是實現融合交通心理學的車輛群組運動模擬需要重點解決的問題。針對該問題的研究目前處于起步階段，有待進一步的研究。

(3)基于分布式認知理論的駕駛員認知-決策建模。分布式認知理論認為，駕駛員的行為決策是由其認知能力決定的，并且認知過程不僅局限于認知主體，而是從更廣的角度研究認知加工機制，是綜合考慮認知主體和認知環(huán)境(周圍環(huán)境、工具、情境等)的系統化分析[78]。采用分布式認知理論對駕駛員的認知過程進行建模，并將其與車輛群組運動建模相耦合有待進一步研究。

5 結語

融合交通心理學的車輛運動模擬可精確模擬復雜環(huán)境下的各異性車輛運動行為。筆者圍繞融合交通心理學的車輛群組運動仿真技術，對車輛群組運動仿真的技術及涉及駕駛員心理和行為的研究進行了展開介紹，提出了目前該領域的問題和難點。這些難點的攻克有望從根本上提升車輛群組運動仿真的真實感和可靠性，從而進一步推動車輛群組運動仿真研究的快速發(fā)展。