李逸昕，倪穎，孫劍

(同濟(jì)大學(xué)，道路與交通工程教育部重點實驗室，上海 201804)

0 引言

近年來，由于在保證測試安全性和降低測試成本方面具有優(yōu)勢，虛擬測試逐漸成為智能汽車安全性測試的核心手段[1]。虛擬測試工具主要由車輛仿真、通信仿真、交通仿真以及駕駛?cè)朔抡娴炔糠謽?gòu)成。然而，現(xiàn)有虛擬測試仿真工具往往更加側(cè)重車輛動力學(xué)仿真和車輛通信建模，其背景交通流僅基于預(yù)設(shè)的交通個體運(yùn)行軌跡產(chǎn)生，交通流運(yùn)行狀態(tài)理想，交互規(guī)則簡單，優(yōu)先權(quán)明確，無法生成及模擬能夠與測試主車產(chǎn)生交互的背景交通流環(huán)境，導(dǎo)致虛擬測試的效果往往并不能滿足智能汽車對于虛擬測試環(huán)境真實性的需求[2]。而微觀交通流仿真技術(shù)通過解析不同性質(zhì)交通流的運(yùn)行機(jī)理和交互機(jī)制，在真實模擬交通個體微觀行為的同時，還可以控制背景車流的流量、行為及構(gòu)成等因素來復(fù)現(xiàn)交互場景，以提高智能車虛擬測試的可靠性[3]。因此，通過微觀交通流仿真技術(shù)，為現(xiàn)有虛擬測試工具注入真實可靠的背景交通流仿真環(huán)境，提高虛擬測試結(jié)果的可信度，成為虛擬測試水平和效果不斷進(jìn)步和提升的必經(jīng)之路[2]。混合交通流交叉口共享空間是城市交通網(wǎng)絡(luò)中最常見的場景之一，也是制約智能汽車規(guī)劃決策算法邏輯迭代的可靠性和安全性的關(guān)鍵瓶頸場景之一。在交叉口共享空間中，往往存在多種類型的交通流混合行駛，交通個體異質(zhì)化構(gòu)成，運(yùn)動軌跡非結(jié)構(gòu)化，運(yùn)動自由度非常高[4]。由于不同流向和類別的交通個體之間頻繁交互，交通流持續(xù)地相互干擾，交通個體間沖突交互明顯，嚴(yán)重影響著交通運(yùn)行的整體效率和安全，也威脅著智能汽車在混雜交通環(huán)境下實現(xiàn)安全自主駕駛的前景。因此，亟需為智能汽車虛擬測試工具建立和注入一種能夠準(zhǔn)確描述交叉口共享空間中異質(zhì)交通個體的運(yùn)動和交互特征的微觀交通仿真模型。這對于滿足智能汽車虛擬測試的真實性需求，提高虛擬測試的可信度及測試效率等方面均具有重要意義。

目前，已有較多交叉口共享空間中混合交通流交互建模的研究。其中，基于車道的模型(Lanebased Model)和元胞自動機(jī)模型(Cellular Automata,CA)是兩類最常見的建模方法?；谲嚨赖哪Ｐ屯ㄟ^引入虛擬車道的概念，控制交通個體始終在以車道→路段→路徑(Link-connectorpath)結(jié)構(gòu)為基礎(chǔ)的路網(wǎng)中運(yùn)動，交互則被橫、縱向解耦合為跟馳行為和間隙接受行為[5-6]。CA 模型從時間和空間上將交通個體的運(yùn)動離散化在大小固定的網(wǎng)格中，通過賦予一系列的決策演化規(guī)則模擬交通個體的交互[7]。例如，JELENA等[8]設(shè)計了一系列元胞組件構(gòu)建道路網(wǎng)絡(luò)基礎(chǔ)設(shè)施，實現(xiàn)對交叉口共享空間混合交通流交互的模擬；LI等[5]通過為機(jī)動車和非機(jī)動車設(shè)置不同的元胞占用規(guī)則，模擬異質(zhì)交通個體間的交互等?？傊鲜瞿Ｐ蜁椴煌愋徒煌▍⑴c者分別配置相對獨立的運(yùn)行空間，沖突點的位置事先預(yù)定和不可改變，交互因而往往被看作是基于事先設(shè)定的優(yōu)先規(guī)則所實現(xiàn)的一對一有序固定交互[6]。

然而，虛擬測試往往要求背景交通流能夠模擬現(xiàn)實中交通個體橫、縱向耦合的二維運(yùn)動，并真實反映交通個體在交互行為產(chǎn)生時的感知、決策等關(guān)鍵過程，以此幫助智能汽車在訓(xùn)練中逐步實現(xiàn)對交通個體間交互行為的準(zhǔn)確解析和精確預(yù)測。但現(xiàn)有模型和做法在本質(zhì)上均大大簡化了交叉口共享空間中異質(zhì)交通個體間交互過程的復(fù)雜性，交互往往更加關(guān)注縱向上交通個體間的相互作用，橫、縱向耦合的實際運(yùn)動和交互特征被忽略[9-10]；同時，事先預(yù)設(shè)固定的沖突交互位置以及“一對一”的決策機(jī)制，更導(dǎo)致現(xiàn)有模型無法在二維平面上刻畫交通個體之間的沖突及其沖突位置的復(fù)雜動態(tài)性特征，使得現(xiàn)有模型無法真實復(fù)現(xiàn)交通個體交互不斷變化的過程，因此，不具備為智能汽車虛擬測試提供接近現(xiàn)實的復(fù)雜交互場景的能力。

鑒于此，本文針對混合交通流交叉口共享空間內(nèi)交通個體的交互行為建模，滿足智能汽車虛擬測試對于真實背景交通流模擬的需求。首先，提出了一種混合交通流共享空間交互模型，模擬機(jī)動車、非機(jī)動車及行人之間的沖突和交互，模型包含“感知-決策-執(zhí)行”這3 層通用建?？蚣?，精細(xì)化描述異質(zhì)交通個體從感知、決策直至執(zhí)行的交互全過程，并體現(xiàn)沖突交互的動態(tài)性特征；其次，基于虛擬測試Opendrive高精度路網(wǎng)[11]搭建了一套向虛擬測試工具注入背景交通流的仿真測試平臺，并將所構(gòu)建的交互模型加載至虛擬測試環(huán)境進(jìn)行測試。模擬結(jié)果表明，模型具備在Opendrive 測試路網(wǎng)中復(fù)現(xiàn)真實交互行為的能力。同時，該測試平臺能夠有效地將仿真背景交通流加載至虛擬測試環(huán)境中。本文的結(jié)論能夠為如何通過交通仿真技術(shù)提高智能汽車虛擬測試背景交通流的真實性提供一定的借鑒價值。

1 交互模型基本框架

基于認(rèn)知科學(xué)中對人類行為過程的定義[12]，本文提出的交互模型被設(shè)計為“感知-決策-執(zhí)行”的3 層認(rèn)知過程框架模型，實現(xiàn)對交叉口共享空間中混合交通流異質(zhì)交通個體完整交互過程的模擬。框架模型的整體邏輯如圖1所示。

圖1 模型框架Fig.1 Model framework

本文的目標(biāo)是模擬混合交通流中異質(zhì)交通個體之間的沖突交互。因此，所提出的通用框架應(yīng)當(dāng)具備在體現(xiàn)交通參與者交互普遍特征的同時，還能夠表達(dá)不同類型交通個體交互行為差異的能力?？蚣苁紫仁褂媒y(tǒng)一的仿真邏輯捕捉交通個體的交互過程，從整體上體現(xiàn)擬人化的交互決策過程；同時，框架中各個部分的具體操作模型分別從感知范圍、決策邏輯、運(yùn)動參數(shù)等方面，區(qū)分不同類型的交通個體，分別刻畫異質(zhì)交通個體在交互過程中感知、決策及執(zhí)行層面的差異。據(jù)此，模型各層具體主要任務(wù)及工作流程如下：在感知層中，當(dāng)前交通個體根據(jù)當(dāng)前自身運(yùn)動狀況和交通環(huán)境，在多種類型的其他交通個體中識別和選擇當(dāng)前時刻的交互對象，并將交互選擇結(jié)果傳入決策層；決策層根據(jù)交互選擇結(jié)果和當(dāng)前的交通狀況，為當(dāng)前類型的個體生成符合其運(yùn)動需求的行為決策；執(zhí)行層基于行為決策結(jié)果的指導(dǎo)，更新當(dāng)前交通個體的關(guān)鍵運(yùn)動參數(shù)(例如，速度、加速度、轉(zhuǎn)向角等)，控制仿真?zhèn)€體實現(xiàn)橫、縱向耦合的二維交互和運(yùn)動的模擬。在模型頂端，將交通環(huán)境信息和當(dāng)前交通個體的初始路徑作為輸入提供至模型[13]，并作為指導(dǎo)當(dāng)前交通個體運(yùn)動方向的依據(jù)。

2 交互模型構(gòu)建

2.1 感知層建模

感知層的主要作用是解決某一時刻當(dāng)前交通個體究竟可能和誰交互的問題。在交叉口共享空間中，通常會同時存在多個與當(dāng)前交通個體存在沖突的其他客體，當(dāng)前交通個體n往往依據(jù)沖突的緊急程度，依次與這些沖突個體進(jìn)行交互[3]。同時，在二維平面上交通個體之間的沖突交互及沖突位置往往是動態(tài)變化的。因此，在尋找沖突交互對象時，模型需要具備準(zhǔn)確捕獲動態(tài)交互特征的能力。為此，本文提出一種二維平面交互對象選擇方法。該方法的步驟包括：(1)篩選潛在交互個體；(2)基于所確定的潛在交互個體，尋找沖突并確定相應(yīng)的沖突交互個體；(3)根據(jù)各個沖突的緊急程度，選擇當(dāng)前交互對象m。其中，在步驟(2)中，模型基于當(dāng)前交通個體n此時的行為運(yùn)動軌跡，尋找該軌跡與其他交通客體運(yùn)動軌跡的重合位置，以此確定沖突交互關(guān)系。該軌跡基于每個仿真時刻的行為決策結(jié)果，不斷更新迭代從而動態(tài)調(diào)整和生成，在滿足交通動態(tài)性特征描述需求的同時，還能保證當(dāng)前交通個體n根據(jù)其交互決策結(jié)果合理運(yùn)動。沖突交互的動態(tài)特性如圖2所示。

圖2 沖突交互的動態(tài)特性Fig.2 Dynamic feature of interactions.

2.1.1 潛在交互個體篩選

潛在交互個體指可能會對當(dāng)前交通個體的運(yùn)動產(chǎn)生影響的客體[3]。本文引入個體視野范圍的概念，模擬交通個體視野注意力機(jī)制，以此確定當(dāng)前時刻的潛在交互個體。一方面，個體視野范圍直接決定了交通參與者認(rèn)為哪些周圍客體可能會對其運(yùn)動產(chǎn)生影響；另一方面，個體視野范圍能夠避免傳統(tǒng)仿真中采用遍歷方式搜尋交互對象，造成仿真運(yùn)算效率較低的問題。參考GIANLUCA等[14]的研究，本文個體視野范圍被設(shè)置為一個以仿真?zhèn)€體為頂點，以其前進(jìn)方向為對稱軸的扇形區(qū)域。同時，由于速度被認(rèn)為是影響交通個體自身對感知范圍大小的關(guān)鍵因素[15]，因此，基于混合交通流中不同類型的交通參與者(包括：機(jī)動車、非機(jī)動車及行人)之間明顯的速度差異，區(qū)分感知范圍大小，能夠有效地模擬不同類型交通個體在運(yùn)動過程中對交互關(guān)系的認(rèn)知差異。因此，參考ALEX等[16]對交通個體感知范圍的研究成果，視野范圍的扇形半徑被設(shè)置為當(dāng)前速度的2 倍時距，視野范圍角度固定為120°。在確定視野范圍后，便可篩選出哪些周圍客體進(jìn)入了當(dāng)前交通個體的視野范圍，并體現(xiàn)不同類型交通個體在感知層面的差別，合理確定潛在交互個體的集合。個體視野感知范圍如圖3所示。

圖3 個體視野感知范圍Fig.3 Field of view

2.1.2 沖突交互個體識別

基于當(dāng)前時刻仿真?zhèn)€體的運(yùn)動軌跡，判斷此時其與每一個潛在交互個體之間是否存在沖突風(fēng)險。本文采用快速排斥法判斷潛在交互雙方的軌跡是否存在交點，以此確定潛在交互雙方是否存在沖突，依次判斷所有潛在交互個體與當(dāng)前交通個體的沖突關(guān)系。當(dāng)沖突被確定后，記錄該潛在交互個體和相應(yīng)沖突點位置信息，相應(yīng)個體也被認(rèn)為是當(dāng)前時刻的沖突交互個體之一。沖突關(guān)系判斷方法如圖4所示。

圖4 沖突點及沖突個體Fig.4 Conflict position and conflict road user

特別的，當(dāng)潛在交互雙方存在跟馳關(guān)系時，沖突是實時存在的。在這種情況下，前方個體將不作為后方個體的沖突對象進(jìn)行交互，僅看作是跟馳前車，其影響使用相應(yīng)的速度控制模型體現(xiàn)。跟馳關(guān)系計算式為

式中：yn(t)和yj(t)分別為當(dāng)前時刻t個體n和前方個體j在前進(jìn)方向上的位置；rn為當(dāng)前個體n自身的寬度和安全距離之和。

2.1.3 交互對象確定

確定與當(dāng)前交通個體存在沖突的全部沖突交互個體后，結(jié)合碰撞時間(Time To Collision，TTC)計算各個沖突的緊急程度。根據(jù)當(dāng)前交通個體與每個沖突交互個體之間的沖突位置和速度情況，首先計算潛在交互雙方各自以當(dāng)前狀態(tài)到達(dá)沖突點的TTC 大?。浑S后，以當(dāng)前時刻碰撞風(fēng)險最大(即TTC 最小)的沖突作為需要優(yōu)先處理的交互，將相應(yīng)的沖突個體確定為當(dāng)前時刻的交互對象。考慮到交叉口共享空間中存在多種流向交通流間的交互，在計算TTC 時，還需要考慮潛在交互雙方可能的位置關(guān)系情況。參考SAUNIER 等[17]的研究，本文TTC的計算式為

式中：ETTC為當(dāng)前交通個體n到?jīng)_突點的TTC；dn為當(dāng)前交通個體n到?jīng)_突點的距離；dm為交互對象m到?jīng)_突點的距離；Dmn為交互雙方間的距離；vn,vm分別為n和m的速度；ln,wn分別為個體n的長度與寬度；lm,wm分別為交互對象m的長度與寬度。TTC計算方法示意如圖5所示。

圖5 TTC計算方法示意Fig.5 Schematics of calculations of TTC

通過在計算到達(dá)沖突位置的TTC時，考慮交通個體的寬度和長度，模型不僅能夠表達(dá)不同交通個體體積大小對于沖突程度的影響，同時，還能夠描述混合交通流中不同交通個體之間的交互持續(xù)時間差異。例如，當(dāng)沖突發(fā)生在行人和機(jī)動車之間時，考慮個體長度和寬度的影響，能夠保證行人在穿越機(jī)動車車頭范圍時，機(jī)動車始終判定與該人存在沖突，進(jìn)一步避免傳統(tǒng)仿真工具中僅考慮“固定點沖突”而不是“動態(tài)面沖突”的缺陷。

2.2 決策層建模

基于交互對象選擇結(jié)果，根據(jù)當(dāng)前交通環(huán)境狀況，決策層在每個時刻為當(dāng)前交通個體選擇合適的行為，處理和當(dāng)前交互對象之間的交互，避免碰撞。本文基于規(guī)則的方法構(gòu)建交互行為決策模型，以分別考慮不同類型交通個體之間交互模式的差異。模型中可選擇的行為決策結(jié)果包括：讓行行為、跟馳行為以及自由行駛行為。模型具體的決策邏輯如下：

Step 1 輸入當(dāng)前個體n和交互對象m的速度vn和vm，以及沖突點位置信息(x,y)。

Step 2 判斷交互雙方個體類型信息，本文以機(jī)動車、非機(jī)動車以及過街行人作為主要模擬的交通個體。

Step 3 若交互為機(jī)-非交互或非-人交互，則執(zhí)行此步驟。當(dāng)前交通個體n首先判斷以當(dāng)前自身速度能否率先通過沖突點。若當(dāng)前交通個體n的TTC大于交互對象m的TTC，則當(dāng)前個體n減速讓行，并執(zhí)行讓行行為模型；否則，決策結(jié)果為自由行駛，追求自身期望速度通過沖突點，執(zhí)行自由行駛行為模型。

Step 4 若交互為機(jī)-人交互，行人存在優(yōu)先通行權(quán)，則執(zhí)行此步驟。如果當(dāng)前交通個體n為機(jī)動車，將選擇減速讓行行人，并執(zhí)行讓行行為模型；否則，選擇自由行駛行為，追求自身期望速度通過沖突點，執(zhí)行自由行駛行為模型。

Step 5 若交互雙方類型相同(即：機(jī)-機(jī)、非-非、人-人交互)，重復(fù)Step 3。

Step 6 若當(dāng)前交通個體n和交互對象m之間存在跟馳關(guān)系，選擇跟馳行為，執(zhí)行跟馳行為模型。

Step 7 決策結(jié)果輸出至執(zhí)行層。

2.3 執(zhí)行層建模

基于行為決策結(jié)果，執(zhí)行層控制仿真交通個體執(zhí)行相應(yīng)的動作?？紤]到交叉口共享空間內(nèi)部交通個體的運(yùn)動往往具有橫、縱向耦合的連續(xù)性特征，因此，提出一種二維運(yùn)動控制模型，控制交通個體實現(xiàn)在二維平面上的運(yùn)動。在每一個仿真時刻，決策層輸入當(dāng)前時刻的行為決策結(jié)果，執(zhí)行層模型據(jù)此依次計算并產(chǎn)生在當(dāng)前時刻交通個體執(zhí)行相應(yīng)的決策行為所需要的行為軌跡、行為加速度以及轉(zhuǎn)向角，共同控制交通個體按照當(dāng)前行為決策結(jié)果執(zhí)行交互和運(yùn)動。執(zhí)行層基于決策結(jié)果，不斷迭代更新每一仿真時刻完成相應(yīng)決策動作所需要的軌跡和運(yùn)動參數(shù)。每一時刻更新的軌跡，又作為仿真?zhèn)€體的新運(yùn)動軌跡傳遞至下一仿真時刻，影響下一次的交互判斷過程，從而為確定動態(tài)沖突交互及沖突位置奠定基礎(chǔ)。執(zhí)行層的工作流程如圖6所示。

圖6 二維運(yùn)動控制方法示意Fig.6 Schematics of motion control method

2.3.1 行為軌跡規(guī)劃

在仿真初始階段，每個交通仿真?zhèn)€體都會獲得一條引導(dǎo)其由起點運(yùn)動向訖點(Origin to Destination,OD)的初始軌跡。若該交通個體在通過交叉口共享空間的過程中不存在任何交互，該軌跡將指導(dǎo)其運(yùn)動。但絕大多數(shù)情況下，交通個體會與周圍客體發(fā)生交互，從而對其行為和路徑進(jìn)行調(diào)整以保證安全。因此，模型還需要根據(jù)每一時刻的行為決策結(jié)果，對個體軌跡進(jìn)行不斷調(diào)整，從而在運(yùn)動過程中引導(dǎo)仿真?zhèn)€體根據(jù)交互決策結(jié)果完成運(yùn)動和交互。

本文基于每一仿真時刻的行為決策結(jié)果，通過為每一種決策結(jié)果指定相應(yīng)的臨時目的地，并據(jù)此調(diào)整和規(guī)劃1條新運(yùn)動軌跡的方法，引導(dǎo)仿真?zhèn)€體在當(dāng)前時刻產(chǎn)生相應(yīng)的交互動作，最終實現(xiàn)交互運(yùn)動過程的模擬，如圖7所示。

圖7 行為軌跡規(guī)劃示意(以轉(zhuǎn)向機(jī)動車為例)Fig.7 Schematic of trajectory planning(taking turning vehicle as an example)

所規(guī)劃軌跡由當(dāng)前位置、行為臨時目的地及交叉口出口道內(nèi)訖點依次首尾相連構(gòu)成。其中，行為臨時目的地可以有效引導(dǎo)當(dāng)前仿真?zhèn)€體按照相應(yīng)行為決策結(jié)果產(chǎn)生運(yùn)動[4]。在每一時刻，當(dāng)前仿真?zhèn)€體會根據(jù)上述方法獲得1 條全新的交互行為運(yùn)動軌跡，隨后計算生成相應(yīng)的行為加速度和轉(zhuǎn)向角，并沿著該軌跡執(zhí)行運(yùn)動。運(yùn)動軌跡基于決策結(jié)果動態(tài)迭代更新，不斷調(diào)整和規(guī)劃，引導(dǎo)仿真?zhèn)€體在每一仿真時刻完成相應(yīng)的動作。即新的軌跡又被個體儲存并傳遞至下一時刻，用以判斷該個體的交互關(guān)系狀態(tài)。同時，根據(jù)上一時刻所生成的運(yùn)動軌跡，當(dāng)前交通個體判斷其與周圍客體之間是否仍然存在沖突，并計算獲得相應(yīng)沖突點的位置。通過這種方式，能夠合理地模擬交叉口內(nèi)交通個體在處理交互時，沖突位置不斷發(fā)生變化的特點，克服傳統(tǒng)仿真沖突位置固定的缺陷，動態(tài)地判別沖突交互位置，使交互更加接近真實情況。最后，考慮到需要保證軌跡的平滑性和連續(xù)性，本文采用貝塞爾曲線(Bezier Curve)在每一個仿真時刻為仿真?zhèn)€體規(guī)劃新的運(yùn)動軌跡。

貝塞爾曲線是基于伯恩斯坦多項式的數(shù)學(xué)曲線，通過若干給定位置的控制點，能夠在任意點之間根據(jù)特定曲線參數(shù)方程生成一條光滑曲線。該曲線已在智能汽車軌跡規(guī)劃方法中得到廣泛使用[3]。鑒于計算成本會隨貝塞爾曲線參數(shù)方程的階數(shù)增加而增加，采用較低階數(shù)的曲線是優(yōu)選的。因此，本文使用三階貝塞爾曲線生成連續(xù)曲率最小的曲線作為軌跡，參數(shù)方程為

式中：B(z)為軌跡點集合；Pc為個體的當(dāng)前位置；Pt為行為臨時目的地；Q1為第1 控制點；Q2為第2控制點；z為控制軌跡點個數(shù)的參數(shù)。其中，第1控制點Q1和第2控制點Q2被分別設(shè)置在當(dāng)前位置Pc和目標(biāo)點Pt速度方向處或其反向延長線上。Q1和Q2具體位置的計算表達(dá)式為

式中：(XQ1,YQ1)為第1控制點Q1的坐標(biāo)；(XQ2,YQ2)為第2 控制點Q2的坐標(biāo)；(XPc,YPc)和(XPt,YPt)分別為Pc和Pt的坐標(biāo)；D為曲線首尾位置間的距離；θ為當(dāng)前個體的航向角；β為當(dāng)前個體前進(jìn)方向與PcPt連線之間的夾角；ε為航向角指向關(guān)系指數(shù)，。

本文涉及的行為決策結(jié)果有跟馳、讓行和自由行駛行為。3種行為相應(yīng)的行為臨時目的地設(shè)置規(guī)則如下：①對于自由行駛行為，將臨時目的地設(shè)定為當(dāng)前仿真?zhèn)€體的最終目的地，即訖點；②對于讓行行為，將臨時目的地設(shè)定為當(dāng)前交互對象頭部位置；③對于跟馳行為，將臨時目的地設(shè)置為當(dāng)前仿真?zhèn)€體前方跟馳對象的尾部位置。每種行為的臨時目的地如圖8所示。

圖8 行為臨時目的地示意Fig.8 Schematics of intermediate destinations of different behaviors

2.3.2 行為加速度計算

基于行為決策結(jié)果，計算當(dāng)前時刻執(zhí)行該行為所需要的行為加速度。在交叉口共享空間中，交通個體的行為包括：跟馳、讓行以及自由行駛3 種。每一種行為所對應(yīng)的運(yùn)動模型不同。

(1)自由行駛行為模型

本文自由行駛行為是指交通個體不受沖突干擾駛向訖點的行為。此時，交通個體往往會將自身速度維持在期望速度水平或追求期望速度。因此，本文借鑒HELBING等[18]提出的社會力模型中驅(qū)動力的形式作為自由行駛行為模型，其公式為

式中：as(t)為自由行駛加速度；vd為期望速度；vn為當(dāng)前速度；τs為速度變化的松弛系數(shù)。

(2)跟馳行為模型

已有研究已經(jīng)提出了許多種跟馳模型[19]。其中，由TREIBER 等[20]開發(fā)的智能駕駛員模型(Intelligent Driver Model，IDM)被廣泛應(yīng)用于機(jī)動車仿真，并取得了較好的效果。該模型也被應(yīng)用于一項非機(jī)動車跟馳行為實驗中，其有效性和適用性也得到了證明[21]。因此，本文選擇IDM模型作為跟馳行為模型，其公式為

式中：af(t)為本車跟馳加速度；Δv為本車與前車速度之差；ΔS為與前車距離車頭到車尾；Sd為與前車的期望距離；Td為期望車頭時距；av為起步加速度；bf為舒適減速度；δe為加速度指數(shù)；s0為靜止安全距離；s1為與速度有關(guān)的安全距離選擇參數(shù)。

(3)讓行行為模型

若當(dāng)前個體無法率先通過沖突點，將發(fā)生讓行行為。此時，在避免碰撞意識的支配下，當(dāng)前交通個體會盡可能快地降低速度甚至停車。因此，對于讓行行為，合理的操作是以沖突點位置為讓行目標(biāo)，以盡可能大的減速度降低速度?？紤]到IDM模型在控制仿真?zhèn)€體避撞方面存在優(yōu)勢性[19]，本文仍然采用IDM 模型作為讓行行為模型。此時，仿真中以沖突點位置設(shè)置虛擬車輛，并將其作為跟馳邏輯前車，以此計算當(dāng)前交通個體完成讓行所需的加速度。

上述行為加速度模型還需要針對混合交通流中不同類型的交通個體(包括：機(jī)動車、非機(jī)動車及行人)進(jìn)行標(biāo)定和校準(zhǔn)。

2.3.3 轉(zhuǎn)向角計算

在確定行為軌跡和相應(yīng)加速度后，需要確定沿軌跡執(zhí)行相應(yīng)行為所需要的轉(zhuǎn)向角大小。本文仿真?zhèn)€體轉(zhuǎn)向角控制采用基于阿克曼幾何模型(Ackermann Model,AM)的軌跡追蹤方法(Pure Pursuit,PP)[22]得以實現(xiàn)。該方法以交通個體車頭位置為切點，前進(jìn)方向作為切線，通過不斷計算和改變轉(zhuǎn)向角，使交通個體能夠平順地沿軌跡前進(jìn)。轉(zhuǎn)向角計算公式為

式中：φn(t)為當(dāng)前時刻轉(zhuǎn)向角；L為當(dāng)前交通個體的長度；ld為前視距離；ω(t)為當(dāng)前交通個體與目標(biāo)點連線與其前進(jìn)方向之間的夾角。在此，機(jī)動車、非機(jī)動車和行人的前視距離ld分別被設(shè)定為0.5，0.2，0.1 m，以此保證轉(zhuǎn)向角變化率的平順和連續(xù)。

3 仿真實現(xiàn)與模型應(yīng)用

3.1 仿真測試平臺搭建

為測試所提交互模型的有效性，并驗證其應(yīng)用在虛擬測試中的效果，本文搭建了一套仿真測試平臺，并針對典型混合交通流交叉口共享空間場景，在平臺中構(gòu)建虛擬測試仿真環(huán)境。該平臺由場景、路網(wǎng)構(gòu)建模塊和背景交通流仿真模塊組成。其中，交通流仿真模塊為平臺提供背景交通流，控制背景交通流個體的運(yùn)動和交互。場景/路網(wǎng)搭建模塊等使用Vires 軟件，構(gòu)建虛擬測試環(huán)境，為車輛控制、環(huán)境感知等算法提供接入的可能。由于通信仿真和駕駛?cè)朔抡娌皇潜疚纳婕暗闹攸c，在此并未進(jìn)行討論。通過Python實現(xiàn)通訊接口，并將交通流仿真和場景、路網(wǎng)構(gòu)建模塊相連接，實現(xiàn)地圖路網(wǎng)在上述模塊中的匹配，完成背景交通流注入虛擬測試環(huán)境的功能。仿真平臺的工作邏輯如圖9所示。

圖9 仿真測試平臺工作邏輯Fig.9 Framework of simulation platform

路網(wǎng)是仿真測試平臺中實現(xiàn)交通流仿真功能的基礎(chǔ)支撐。本文旨在為智能汽車虛擬測試提供可靠背景交通流模型，因此，該仿真平臺基于虛擬測試最常用的Opendrive 路網(wǎng)數(shù)據(jù)構(gòu)建[11]。Opendrive 路網(wǎng)主要由若干link/connector 構(gòu)成。對于每1個link，其上包含了多條車道；而connector則通常作為連接器，連接其上、下游兩個link 上的車道。在每次仿真開始前，仿真平臺根據(jù)所獲得的Opendrive 路網(wǎng)的hadmap/OpenDRIVE 數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換和數(shù)據(jù)讀取，并將路網(wǎng)信息賦予每個仿真?zhèn)€體，實現(xiàn)仿真交通流在Opendrive 路網(wǎng)中正常運(yùn)行。所讀取的數(shù)據(jù)主要包括：車道連接情況，上、下游關(guān)系及車道位置信息等。

本文選擇位于上海市浦東新區(qū)高科中路的連續(xù)交叉口作為仿真實現(xiàn)地點。該地點屬于典型混合交通流交叉口共享空間，其內(nèi)部存在大量異質(zhì)交通流，交通個體間交互明顯，相互干擾十分嚴(yán)重。

仿真測試平臺中交通仿真流程如圖10所示，仿真步長為0.1 s。其中，仿真過程還應(yīng)包括交通個體到達(dá)模型、信號燈反應(yīng)模型以及一系列基礎(chǔ)的常態(tài)交通流模型，例如，跟馳、換道模型等，都是仿真實現(xiàn)的重要組成部分，和本文構(gòu)建的交叉口共享空間交互模型相互配合，共同實現(xiàn)交通流仿真。

圖10 交通仿真流程Fig.10 Flowchart of traffic simulatio n

3.2 仿真參數(shù)設(shè)置

所提交互模型存在部分需要標(biāo)定的參數(shù)。這些參數(shù)主要分布在行為加速度的計算過程中，涉及自由行駛模型(1 個參數(shù))和跟馳行為模型(5 個參數(shù))。參考ZHU 等[23]給出的模型參數(shù)范圍建議，使用交叉驗證的方法，并結(jié)合該模型在虛擬測試仿真平臺中的實際應(yīng)用效果，針對混合交通流中不同類型的交通個體，本文在仿真中各運(yùn)動模型參數(shù)取值如表1所示。

表1 模型參數(shù)取值表Table 1 Values of parameters in proposed model

3.3 仿真效果應(yīng)用

利用上述仿真平臺，在虛擬測試環(huán)境中所實現(xiàn)的機(jī)-非交互、機(jī)-人交互等場景案例如圖11所示。

圖11(a)中為1 輛直行機(jī)動車與1 輛直行非機(jī)動車的沖突交互過程。在t1=0 時，該機(jī)動車和非機(jī)動車之間存在沖突，此時，交互雙方根據(jù)當(dāng)前交通狀況進(jìn)行決策，從t1=10 時可以得知，該機(jī)動車選擇減速讓行，等候非機(jī)動車通過，非機(jī)動車則保持自身速度繼續(xù)行駛。圖11(c)為1 輛直行機(jī)動車和過街行人的沖突交互過程。當(dāng)該直行機(jī)動車進(jìn)入交叉口共享空間后，由于此時存在尚未清空的過街行人，該直行機(jī)動車主動選擇減速讓行該行人，待行人通過其車輛范圍后，該機(jī)動車起步繼續(xù)行駛。由圖11可知，來自各個方向的機(jī)動車、非機(jī)動車以及行人進(jìn)行合理的交互，在所提模型的控制下，均能夠按照實際情況進(jìn)行行為決策判斷，與實際情況十分接近。因此，可以認(rèn)為所提模型在模擬交叉口共享空間中交通個體交互方面具有較好的效果，并能夠服務(wù)于虛擬測試，為智能汽車提供更為接近現(xiàn)實的交通流場景。

圖11 仿真場景復(fù)現(xiàn)示意Fig.11 Schematics of simulation scenarios

4 結(jié)論

為準(zhǔn)確刻畫交叉口共享空間中混合交通流的交互過程，為智能汽車虛擬測試工具提供真實可靠背景交通流模型，本文建立了一種面向虛擬測試的混合交通流交叉口共享空間交互行為模型，并搭建了一套虛擬測試仿真平臺測試模型使用效果。仿真結(jié)果表明，所提模型能夠較好地復(fù)現(xiàn)混合交通流中不同類別交通個體之間的沖突交互。本研究主要結(jié)論和創(chuàng)新點如下：

(1)本文基于Opendrive高精度路網(wǎng)，構(gòu)建了一套虛擬測試仿真平臺，為虛擬測試注入更為真實的背景交通流。針對典型混合交通流交叉口共享空間場景構(gòu)建測試環(huán)境，將所提交互模型加載至虛擬測試環(huán)境中進(jìn)行驗證。仿真結(jié)果表明，模型能夠在適應(yīng)智能汽車虛擬測試環(huán)境使用需求的同時，服務(wù)于為其提供更加接近真實情況的背景交通流環(huán)境，有效解決現(xiàn)有虛擬測試仿真工具缺乏真實模擬背景交通流運(yùn)動和動態(tài)交互能力的問題，為虛擬測試注入真實可靠背景交通流的途徑提供了新的解決思路。

(2)本文提出了一種通用的混合交通流交叉口共享空間交互行為仿真框架模型?？蚣苣Ｐ突谌祟愋袨檎J(rèn)知過程構(gòu)建，模擬交通個體從感知、決策直至執(zhí)行的交互全過程，具備通用化模擬混合交通流中多類型交通個體沖突和交互的能力，提高了模型的普遍適用性；同時，在仿真框架的指導(dǎo)下，還針對不同類型交通個體在感知范圍、決策邏輯以及運(yùn)動參數(shù)控制等方面加以區(qū)分，能夠描述交通個體類型差異所導(dǎo)致的運(yùn)動和交互異質(zhì)特征。模型能夠復(fù)現(xiàn)交叉口共享空間中混合交通流中交通個體的真實交互過程，滿足了虛擬測試對于背景交通流的模擬需求。

(3)所提混合交通流交叉口共享空間交互模型，基于交互雙方行為決策結(jié)果所迭代更新的運(yùn)動軌跡，動態(tài)判別沖突點位置，克服了傳統(tǒng)仿真模型和虛擬測試背景交通流中沖突點預(yù)先設(shè)置的缺憾，滿足了復(fù)現(xiàn)沖突交互復(fù)雜動態(tài)性特征的需求；同時，模型所使用的基于運(yùn)動軌跡的橫、縱向耦合二維運(yùn)動模擬方法，使得模型突破了虛擬測試背景交通流中，基于車道運(yùn)動的一維建模局限性，滿足了智能汽車虛擬測試在二維平面上高準(zhǔn)確度模擬交通個體運(yùn)動和交互的需求，提高了測試模擬的真實度和可靠度。