蔣淵德，朱 冰，趙祥模，趙 健，鄭兵兵

（1.長(zhǎng)安大學(xué)信息工程學(xué)院，西安 710018；2.吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130025；3.中航光電科技股份有限公司，洛陽 471000）

前言

自動(dòng)駕駛汽車測(cè)試是保障車輛安全性的基礎(chǔ)防線，然而由于實(shí)際交通場(chǎng)景維度高、交通車輛之間存在復(fù)雜的動(dòng)態(tài)交互關(guān)系，給自動(dòng)駕駛測(cè)試帶來了挑戰(zhàn)。當(dāng)前廣泛采用的測(cè)試場(chǎng)景缺乏對(duì)背景交通車輛的交互描述，難以可靠反映實(shí)際交通場(chǎng)景特性。如何描述交通車輛交互特征，是測(cè)試技術(shù)的研究難點(diǎn)，是決定自動(dòng)駕駛汽車測(cè)試結(jié)果可信性的基礎(chǔ)，當(dāng)前研究中通常采用交通流模型（元胞自動(dòng)機(jī)、智能駕駛員模型、社會(huì)力模型［1］等）進(jìn)行自動(dòng)駕駛汽車測(cè)試，對(duì)實(shí)際交通車輛之間的復(fù)雜交互特征表達(dá)能力有限。

在自動(dòng)駕駛汽車測(cè)試場(chǎng)景構(gòu)建方面，通過數(shù)理統(tǒng)計(jì)分析駕駛數(shù)據(jù)分布特征，結(jié)合各場(chǎng)景的邊界先驗(yàn)知識(shí)構(gòu)建典型測(cè)試場(chǎng)景得到成功應(yīng)用，如建立切入場(chǎng)景、交叉口沖突場(chǎng)景、跟馳場(chǎng)景［2］等。定義不同場(chǎng)景之間的差異度量，利用非監(jiān)督學(xué)習(xí)算法分析自然駕駛數(shù)據(jù)是另一類場(chǎng)景提取方法，常用的有kmeans、貝葉斯推理［3］等。深度學(xué)習(xí)在構(gòu)建測(cè)試場(chǎng)景方面得到了廣泛研究，如深度學(xué)習(xí)聚類、變分自編碼器、生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)［4］。但這些方法偏向于建模駕駛數(shù)據(jù)的概率統(tǒng)計(jì)關(guān)系，常生成類似的或不合理的場(chǎng)景。交通車輛之間的交互特征是影響測(cè)試場(chǎng)景有效性的重要因素。Markkula等［5］對(duì)交通車輛交互特征研究進(jìn)行了調(diào)研總結(jié)，將交互定義為路權(quán)沖突。Scheibler等［6］將車輛間的交互描述為行為已知條件下的約束建模問題，通過優(yōu)化求解算法生成邊界測(cè)試場(chǎng)景。Bagschik等［7］基于本體論建立了交通車輛間的交互關(guān)系知識(shí)，提出了語義場(chǎng)景生成方法。Zhang等［8］對(duì)車-車、人-車、人-人之間的交互進(jìn)行了研究，基于貝葉斯博弈論建立了擬人交通車輛模型。Chao等［9］將交通車輛之間的交互作用建模為引力和斥力，構(gòu)建了自動(dòng)駕駛汽車虛擬測(cè)試環(huán)境。Feng等［10］基于實(shí)際駕駛數(shù)據(jù)統(tǒng)計(jì)車輛狀態(tài)轉(zhuǎn)移概率，構(gòu)造了對(duì)抗駕駛場(chǎng)景。

利用機(jī)器學(xué)習(xí)算法從駕駛數(shù)據(jù)中挖掘交通車輛之間的交互耦合機(jī)理成為當(dāng)前的熱點(diǎn)研究方向。Bhattacharyya等［11］將交通車輛行為數(shù)據(jù)和道路信息投影為鳥瞰圖，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，學(xué)習(xí)其交互關(guān)系。Cui等［12］將道路信息轉(zhuǎn)化成帶有語義向量的簡(jiǎn)化約束（如將車道抽象成兩條直線，車輛抽象成矩形等），然后采用卷積網(wǎng)絡(luò)學(xué)習(xí)交通車輛之間的交互關(guān)系。Liu等［13］建立了一種基于LSTM的交通車輛模型。為降低圖像渲染中的計(jì)算負(fù)荷，研究人員直接以交通車輛軌跡向量作為輸入，通過設(shè)計(jì)交通車輛之間以及與道路信息的交互方式學(xué)習(xí)其耦合關(guān)系。如Gao等［14］采用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，減少了70%以上的模型參數(shù)。Gilles等［15］融合地圖特征和軌跡向量特征學(xué)習(xí)交通車輛之間的交互關(guān)系，并預(yù)測(cè)未來時(shí)域行為的概率熱圖。Mohamed等［16］提出社會(huì)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)，將交通車輛之間的交互作用建模為圖結(jié)構(gòu)，采用核函數(shù)定量評(píng)估行人之間的交互影響。這類方法采用端到端的方式學(xué)習(xí)同質(zhì)的表示模型，構(gòu)建的交互模型具有計(jì)算復(fù)雜度高、部署應(yīng)用可擴(kuò)展性差的問題。

獨(dú)立建模方式難以考慮實(shí)際交通車輛之間的復(fù)雜交互關(guān)系。統(tǒng)一建模方法以場(chǎng)景內(nèi)所有信息作為輸入進(jìn)行訓(xùn)練，模型具有較大計(jì)算量，與實(shí)際環(huán)境中各交通車輛的局部可觀測(cè)特點(diǎn)不一致，且可擴(kuò)展性較差，難以應(yīng)用于不同測(cè)試場(chǎng)景構(gòu)建。針對(duì)這一問題，本文中在多智能體機(jī)器學(xué)習(xí)算法［17］的基礎(chǔ)上利用“分布執(zhí)行-集中訓(xùn)練”策略建模交通車輛交互特征，各交通車輛通過局部可觀測(cè)信息進(jìn)行決策，通過集中式優(yōu)化策略進(jìn)行模型訓(xùn)練。

面向自動(dòng)駕駛汽車測(cè)試的交通車輛建模須滿足以下3點(diǎn)要求：能夠準(zhǔn)確模擬實(shí)際交通特征；具有良好的魯棒性；模型具有良好的可擴(kuò)展性。據(jù)此，本文參照交通流建模思路將交通車輛交互模型拆解為跟馳模型、換道決策模型和換道規(guī)劃模型，以避免模型對(duì)交通車輛數(shù)量、行駛環(huán)境的應(yīng)用局限性。同時(shí)利用機(jī)理模型構(gòu)建虛擬數(shù)據(jù)、開源數(shù)據(jù)集和構(gòu)建的固定工況數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練。采用局部決策-全局優(yōu)化方式進(jìn)行模型訓(xùn)練，保證模型在自動(dòng)駕駛汽車測(cè)試應(yīng)用中的可擴(kuò)展性。采用對(duì)抗訓(xùn)練方式提高模型對(duì)輸入噪聲的魯棒性，通過模型決策誤差對(duì)模型的準(zhǔn)確性進(jìn)行評(píng)估。依據(jù)文中提出的交通車輛交互模型構(gòu)建框架能有效保證模型的有效性，可作為其它數(shù)據(jù)建模方法的參考架構(gòu)。

1 整體建?？蚣?/h2>

自動(dòng)駕駛汽車測(cè)試本質(zhì)是通過構(gòu)造符合實(shí)際交通特征的行駛場(chǎng)景，測(cè)試車輛在安全、協(xié)同、能耗等方面的性能。本文中針對(duì)當(dāng)前普遍采用的交通流模型在交通車輛動(dòng)態(tài)交互特性方面描述能力不足，建立如圖1所示的建?？蚣埽饕〝?shù)據(jù)集構(gòu)建、交通車輛模型建立以及對(duì)抗訓(xùn)練優(yōu)化等幾部分內(nèi)容。

圖1 建?？蚣?/p>

為滿足交通車輛建模對(duì)真實(shí)訓(xùn)練樣本的依賴，結(jié)合物理模型和實(shí)際交通數(shù)據(jù)構(gòu)建訓(xùn)練樣本集。通過自注意力模型的長(zhǎng)程關(guān)聯(lián)表達(dá)能力建立交通車輛交互模型，提高模型對(duì)真實(shí)環(huán)境的表達(dá)能力。針對(duì)交通車輛交互模型在可擴(kuò)展性方面的需求，按照模塊化建模方式分別建立自注意力跟馳模型、換道規(guī)劃模型和換道決策模型。為保證模型對(duì)干擾噪聲的魯棒性，本文基于對(duì)抗訓(xùn)練進(jìn)行模型優(yōu)化。最后將訓(xùn)練的交通車輛模型用于虛擬測(cè)試場(chǎng)景構(gòu)建，通過與真實(shí)數(shù)據(jù)對(duì)比驗(yàn)證模型的有效性。

2 數(shù)據(jù)集構(gòu)建

本文中同時(shí)利用物理模型構(gòu)建的虛擬數(shù)據(jù)和真實(shí)環(huán)境數(shù)據(jù)建立模型訓(xùn)練數(shù)據(jù)集。

2.1 虛擬數(shù)據(jù)生成

傳統(tǒng)研究相繼提出了多種交通流模型，如IDM、元胞自動(dòng)機(jī)模型等，為充分利用這些理論，基于跟馳模型和換道模型建立虛擬數(shù)據(jù)集。

2.1.1 跟馳模型

利用IDM模型生成縱向跟馳數(shù)據(jù)。IDM模型數(shù)學(xué)表達(dá)式［18］為

2.1.2 換道模型

換道行為較復(fù)雜，當(dāng)前研究通常將其分為自由換道和強(qiáng)制換道，存在多種換道決策模型，如速度判別法、效用函數(shù)判別法、概率判別法等。在此采用自由換道將其分為換道意圖產(chǎn)生和換道執(zhí)行。利用駕駛員對(duì)當(dāng)前車道的滿意度曲線d=τv+d0(取τ=1.1，d0=5.8)作為換道決策觸發(fā)狀態(tài)［19］。

在換道軌跡生成方面，研究人員相繼提出了貝塞爾、多項(xiàng)式、正弦函數(shù)曲線等方法。在此利用正弦函數(shù)進(jìn)行換道軌跡規(guī)劃。

式中：y(t)表示在t時(shí)刻的側(cè)向偏移；t1為換道時(shí)間；d為車道寬。

以y(t)為目標(biāo)換道軌跡，利用最優(yōu)曲率預(yù)瞄控制可得車輛轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)。

2.2 真實(shí)場(chǎng)景數(shù)據(jù)

上述模型雖然在交通流宏觀特征方面具有良好的表達(dá)能力，卻難以描述實(shí)際交通環(huán)境中駕駛員的隨機(jī)駕駛行為。

同時(shí)利用開源數(shù)據(jù)集和實(shí)際駕駛數(shù)據(jù)作為真實(shí)數(shù)據(jù)集，對(duì)模型進(jìn)行訓(xùn)練。采用的開源數(shù)據(jù)集包括Argoverse和Level 5數(shù)據(jù)集，其中Level 5數(shù)據(jù)集提供超過4 000條道路、54個(gè)停車區(qū)域信息。Argoverse數(shù)據(jù)集提供324 557個(gè)場(chǎng)景數(shù)據(jù)。本文中基于Argoverse和Level 5提取車輛跟馳行駛和換道行駛場(chǎng)景，對(duì)構(gòu)建的交通車輛交互模型進(jìn)行優(yōu)化。

實(shí)際交通數(shù)據(jù)為交通車輛交互特征建模提供了重要依據(jù)。為構(gòu)造覆蓋不同駕駛特性的駕駛數(shù)據(jù)，基于一輛紅旗H7搭建如圖2所示的駕駛數(shù)據(jù)實(shí)車道路試驗(yàn)采集平臺(tái)，主要通過3類傳感器采集駕駛數(shù)據(jù)：用于測(cè)量車輛狀態(tài)的慣導(dǎo)系統(tǒng)RT3002；用于探測(cè)周圍車輛狀態(tài)的ESR毫米波雷達(dá)；用于采集周圍視覺信息的攝像機(jī)C930e。通過CANoe對(duì)主車CAN總線、ESR毫米波雷達(dá)和RT3002的CAN接口進(jìn)行數(shù)據(jù)同步，然后采用工控機(jī)上的數(shù)據(jù)記錄軟件RTMaps（Intempora公司的一款軟件，可用于數(shù)據(jù)采集、同步和回放，支持CAN、LIN、以太網(wǎng)和串口等多種通信接口）實(shí)現(xiàn)CAN信號(hào)和視頻數(shù)據(jù)的同步存儲(chǔ)。

圖2 駕駛數(shù)據(jù)采集平臺(tái)

實(shí)際環(huán)境中存在大量風(fēng)格各異的駕駛員，在長(zhǎng)春生態(tài)大街凈月國(guó)際雕塑公園附近開展試驗(yàn)，共有87名駕駛員參加駕駛數(shù)據(jù)采集，被測(cè)人員包括了不同的駕齡和職業(yè)，具體分布情況如表1所示。

表1 駕駛員統(tǒng)計(jì)信息

為采集駕駛員換道行為數(shù)據(jù)，設(shè)置工況：①前車分別保持30、40、50 km/h的速度行駛，主車加速追趕前方目標(biāo)車至一定車間距后換至相鄰車道行駛；②前車分別以30、40、50 km/h速度行駛，主車與前方目標(biāo)車保持穩(wěn)定跟車一段時(shí)間后前車逐漸減速，被測(cè)駕駛員進(jìn)行換道操作。測(cè)試中由駕駛員自主決定換道時(shí)機(jī)和換道軌跡。

結(jié)合上述采集的實(shí)際駕駛數(shù)據(jù)和開源數(shù)據(jù)集，構(gòu)建真實(shí)駕駛數(shù)據(jù)集，為交通車輛建模提供數(shù)據(jù)基礎(chǔ)。

3 交通車輛交互特征建模

將自動(dòng)駕駛汽車測(cè)試視作交通車輛與被測(cè)車輛的動(dòng)態(tài)交互，采用模塊化建模方式構(gòu)建交通車輛交互耦合模型。

3.1 換道決策模型

交通車輛具有車道保持、左換道、右換道3種決策行為，參考傳統(tǒng)物理建模思想，認(rèn)為影響車輛換道行為的周圍車輛包括本車道前車和相鄰車道前、后車，據(jù)此利用LSTNet［20］建立交通車輛換道決策模型，整體結(jié)構(gòu)如圖3所示，主要包括卷積網(wǎng)絡(luò)層、循環(huán)網(wǎng)絡(luò)層和全連接層。

輸入狀態(tài)量為xdec=[vx，ax，dpre，vpre，di，vi]，其中vx、ax分別表示主車速度、加速度，dpre表示與前車的間距，vpre表示前車速度，di、vi分別表示與車輛i的間距和車輛i的速度，i=lf、lr、rf、rr分別表示左車道前車、左車道后車、右車道前車和右車道后車。為建模時(shí)序依賴關(guān)系，以一段時(shí)窗內(nèi)的狀態(tài)[xdec，1，xdec，2，...，xdec，T1]（T1表示時(shí)長(zhǎng)）作為輸入，以保持當(dāng)前車道、左換道、右換道3種駕駛行為作為模型輸出。

如圖3所示，首先通過一組一維卷積神經(jīng)網(wǎng)絡(luò)提取變量之間的局部關(guān)系，然后采用GRU循環(huán)神經(jīng)網(wǎng)絡(luò)建模變量之間的時(shí)序關(guān)系，其包括重置門和更新門，計(jì)算如下：

圖3 換道決策模型

式中：p表示跳過的變量數(shù)；Wxr、Whr、br、Wxz、Whz、bz、Wxc、Whc、bc表示待優(yōu)化參數(shù)。

本文以交叉熵作為換道決策模型損失函數(shù)，利用上節(jié)內(nèi)容構(gòu)建的數(shù)據(jù)集進(jìn)行訓(xùn)練。

3.2 自注意力跟馳模型

在跟馳和換道建模中，將車輛縱向加速度決策輸出視作對(duì)狀態(tài)變量選擇性注意的結(jié)果，利用Transformer自注意力模型構(gòu)建跟馳模型和換道模型，模型結(jié)構(gòu)如圖4所示。

圖4 跟馳模型/換道模型結(jié)構(gòu)

輸入 變量為xfoll=[vx，vpre，apre，dpre]，其中apre表示前車加速度。以T2表示輸入狀態(tài)時(shí)序長(zhǎng)度，以各歷史狀態(tài)點(diǎn)處的信息作為一個(gè)片段，采用一維卷積對(duì)每個(gè)片段進(jìn)行特征建模，得到特征序列結(jié)合每個(gè)片段的位置編碼pi得到最終的輸入序列為

以上述得到的特征序列為輸入，采用Transformer自注意力模型進(jìn)行計(jì)算，每層的輸入為三元組（query，key，value），第li層的輸入計(jì)算為

式中WQ、WK、WV為學(xué)習(xí)參數(shù)。

輸出為

多頭自注意力模塊輸出為

式中：WO為學(xué)習(xí)參數(shù)；SAi(qi，ki，vi)為第i個(gè)自注意力的計(jì)算結(jié)果，通過式（13）得到。

3.3 換道模型

采用如圖4所示架構(gòu)建立換道模型，以主車、目標(biāo)車道前、后車狀態(tài)量為模型輸入，為xlachange=[vx，vy，ay，vp，ap，vr，ar，dp，dr]，其中vy表示主車側(cè)向速度，ay表示主車側(cè)向加速度，vp、vr表示目標(biāo)車道前車、后車速度，ap、ar表示目標(biāo)車道前車、后車加速度，dp、dr分別表示與目標(biāo)車道前、后車的距離。輸入狀態(tài)時(shí)序長(zhǎng)度為T3，以車輛當(dāng)前位置為原點(diǎn)，以縱向、側(cè)向位移序列cmodel=[x1：T4，y1：T4]為輸出（其中T4為換道軌跡規(guī)劃時(shí)長(zhǎng)），模型計(jì)算過程與跟馳模型類似。

4 集中對(duì)抗訓(xùn)練

實(shí)際交通場(chǎng)景是交通車輛耦合交互演化的過程，區(qū)別于以往研究多針對(duì)單個(gè)交通車輛的建模方法，本文中建立分布執(zhí)行-集中優(yōu)化策略，集中損失函數(shù)為

式中：Li表示第i個(gè)交通車輛的損失函數(shù)；n表示當(dāng)前場(chǎng)景內(nèi)的交通車輛個(gè)數(shù)；xt為模型輸入；f(·)表示集中損失函數(shù)（圖1中的融合網(wǎng)絡(luò)）。

為保證各交通車輛損失函數(shù)最小，可通過以下單調(diào)約束對(duì)各交通車輛進(jìn)行集中優(yōu)化。

式中Ai表示第i個(gè)交通車輛。以各單體模型損失函數(shù)為輸入，建立一個(gè)單調(diào)網(wǎng)絡(luò)函數(shù)，從而表達(dá)不同交通車輛之間的交互關(guān)系，最終得到綜合損失函數(shù)Ltot。為保證單調(diào)性約束條件式（15），如圖1中對(duì)抗訓(xùn)練部分所示（其中，s為綜合xdec、xfoll和xlachange的系統(tǒng)全局狀態(tài)信息），采用線性混合損失函數(shù)網(wǎng)絡(luò)及絕對(duì)值激活函數(shù)，從而滿足所有權(quán)重都是非負(fù)數(shù)。

單交通車輛損失函數(shù)為

本文將構(gòu)建的各類模型進(jìn)行集中式訓(xùn)練，利用當(dāng)前行為類別（車道保持、換道）交叉熵?fù)p失函數(shù)和決策輸出（車道保持：amodel為車輛縱向加速度。換道：縱、側(cè)向位置）MSE損失函數(shù)得到各單體模型損失函數(shù)，其中，agt表示實(shí)際加速度值，cgt表示實(shí)際換道軌跡。以式（14）作為損失函數(shù)，可集中優(yōu)化多交通車輛模型，建模多交通車輛之間的交互關(guān)系。

單體交通車輛模型的計(jì)算復(fù)雜性導(dǎo)致難以解析表達(dá)其穩(wěn)定性特征，而交通場(chǎng)景中具有大量的隨機(jī)干擾，會(huì)對(duì)模型形成對(duì)抗攻擊，影響模型的有效性。對(duì)抗訓(xùn)練能夠提升模型魯棒性，對(duì)多交通車輛交互場(chǎng)景構(gòu)建具有重要作用。

對(duì)抗訓(xùn)練通過構(gòu)造對(duì)抗擾動(dòng)來提高模型對(duì)原數(shù)據(jù)的魯棒性，其訓(xùn)練過程可通過下式進(jìn)行描述：

式中：x、y分別表示模型輸入和輸出真值；D為訓(xùn)練數(shù)據(jù)集；?x表示對(duì)抗擾動(dòng)；Ω為擾動(dòng)空間；θ表示模型參數(shù)。

模型訓(xùn)練過程中不斷執(zhí)行max和min操作向樣本中注入擾動(dòng)?x以誤導(dǎo)模型輸出，然后以(x+?x，y)作為訓(xùn)練樣本對(duì)模型進(jìn)行參數(shù)優(yōu)化。本文中采用FGM（fast gradient method）算法［21］構(gòu)造擾動(dòng)，如下式所示：

式中ε為一常數(shù)。

5 自動(dòng)駕駛算法測(cè)試驗(yàn)證

為測(cè)試模型的有效性，利用真實(shí)駕駛數(shù)據(jù)（占比30%）構(gòu)建測(cè)試集分別對(duì)決策模型、跟馳模型和換道控制模型進(jìn)行測(cè)試。以一輛前車運(yùn)動(dòng)歷程構(gòu)造測(cè)試場(chǎng)景，通過對(duì)比模擬車輛和真實(shí)車輛運(yùn)動(dòng)軌跡分布對(duì)模型進(jìn)行驗(yàn)證。

本文設(shè)置的主要模型參數(shù)如表2所示。

表2 網(wǎng)絡(luò)參數(shù)

模型訓(xùn)練環(huán)境為Nvidia RTX3080 GPU，i7-11700 CPU，Pytorch 1.6。為測(cè)試模型在CPU上的推理速度，以i7-8550 CPU（無GPU）作為測(cè)試環(huán)境。

5.1 特征對(duì)比

采用文中分布執(zhí)行-集中對(duì)抗訓(xùn)練策略對(duì)模型進(jìn)行參數(shù)優(yōu)化，以模擬數(shù)據(jù)在不同行為類別下的特征分布作為指標(biāo)對(duì)模型進(jìn)行分析，以Wasserstein距離［22］作為量化指標(biāo)定量評(píng)價(jià)特征分布間的差異性。

5.1.1 換道決策模型

換道決策模型主要用于對(duì)車輛當(dāng)前行駛狀態(tài)進(jìn)行評(píng)估，決策是否執(zhí)行換道操作，其核心是對(duì)換道決策點(diǎn)的判定。據(jù)此本文共提取820個(gè)換道起始點(diǎn)，以[?v，vx，dpre]（其中?v表示相對(duì)速度）作為換道特征描述，對(duì)該三維特征點(diǎn)進(jìn)行平面擬合，將其作為決策平面，通過擬合仿真換道決策平面和真實(shí)數(shù)據(jù)換道平面進(jìn)行分析，如圖5所示。圖6和圖7分別為左換道和右換道起始點(diǎn)的相對(duì)速度分布對(duì)比結(jié)果。計(jì)算得左換道和右換道工況下特征分布之間的Wasserstein距離分別為1.466 8和0.586 7?？梢钥闯?，構(gòu)建的仿真模型與真實(shí)數(shù)據(jù)具有較好的分布一致性。

圖5 換道點(diǎn)特征平面對(duì)比

圖6 左換道起始點(diǎn)數(shù)據(jù)分布

圖7 右換道起始點(diǎn)數(shù)據(jù)分布

5.1.2 跟馳模型

當(dāng)車輛保持當(dāng)前車道行駛時(shí)，統(tǒng)計(jì)大量仿真數(shù)據(jù)，通過對(duì)比其與真實(shí)數(shù)據(jù)的特征分布進(jìn)行模型分析。圖8和圖9分別為真實(shí)數(shù)據(jù)相對(duì)距離-相對(duì)速度分布和仿真數(shù)據(jù)分布?？梢钥闯觯鎸?shí)數(shù)據(jù)具有更大的相對(duì)車速，仿真模型相對(duì)較小的相對(duì)速度意味著車輛具有更大的行駛速度。構(gòu)建的模型能夠較好反映實(shí)際數(shù)據(jù)的統(tǒng)計(jì)特性。

圖8 真實(shí)數(shù)據(jù)分布

圖9 仿真數(shù)據(jù)分布

針對(duì)車輛加速度和速度進(jìn)行分析，結(jié)果如圖10和圖11所示。由圖可知，模型仿真數(shù)據(jù)與真實(shí)數(shù)據(jù)特征具有較好的統(tǒng)計(jì)一致性，計(jì)算得到車輛加速度和速度分布之間的Wasserstein距離分別為0.189 5和0.884 6。

圖10 加速度分布對(duì)比

圖11 車速分布對(duì)比

5.1.3 換道規(guī)劃模型

從仿真數(shù)據(jù)中提取車輛換道規(guī)劃軌跡（即換道決策模型輸出換道決策時(shí)，換道規(guī)劃模型的輸出軌跡），以車輛當(dāng)前位置作為坐標(biāo)原點(diǎn)，車輛航向方向?yàn)閤軸方向，得到換道規(guī)劃軌跡的側(cè)向偏差，其統(tǒng)計(jì)結(jié)果如圖12所示。計(jì)算得到側(cè)向偏差分布之間的Wasserstein距離為0.167 1，可知其與真實(shí)數(shù)據(jù)統(tǒng)計(jì)分布較為接近。圖13為多條具體換道軌跡對(duì)比結(jié)果。

圖12 側(cè)向偏差分布對(duì)比

圖13 換道軌跡示例

5.2 模型計(jì)算效率

為適應(yīng)自動(dòng)駕駛汽車測(cè)試需求，建立的交通車輛交互特征模型應(yīng)具有良好的計(jì)算效率，較低的計(jì)算負(fù)荷有助于提高模型的可擴(kuò)展性。

分別統(tǒng)計(jì)了各類模型在仿真場(chǎng)景構(gòu)建中的計(jì)算耗時(shí)，如圖14所示。由圖可知，自注意力跟馳模型的推理速度約為526次/s（單次耗時(shí)0.001 9 s），換道規(guī)劃模型約為200次/s（單次耗時(shí)0.005 s），換道決策模型推理速度約為77次/s（單次耗時(shí)0.013 s），模型具有較好的計(jì)算效率。

圖14 模型計(jì)算時(shí)間對(duì)比

6 結(jié)論

提出了一種分布執(zhí)行-集中優(yōu)化的交通車輛交互過程建模方法，將單體模型分解為行為決策模型、跟馳模型和換道控制模型來提高場(chǎng)景模擬的可擴(kuò)展性，采用集中對(duì)抗訓(xùn)練算法對(duì)各單體模型進(jìn)行優(yōu)化，提升模型對(duì)輸入擾動(dòng)的魯棒性。通過與真實(shí)數(shù)據(jù)分布對(duì)比分析了模型的準(zhǔn)確性。

構(gòu)建的交通車輛交互模型具有相對(duì)較低的計(jì)算復(fù)雜度，同時(shí)能表征車輛之間的復(fù)雜耦合關(guān)系，具有良好的部署擴(kuò)展性。建立的行為決策模型能可靠反映實(shí)際駕駛員換道行為特點(diǎn)，跟馳模型和換道控制模型能準(zhǔn)確表征駕駛員的駕駛操控特征分布。

本文提出的交通車輛交互過程建模方法從數(shù)據(jù)集構(gòu)建-模型建立-集中對(duì)抗訓(xùn)練等多個(gè)步驟進(jìn)行研究，能有效保證模型在模擬精度、計(jì)算效率、魯棒性等方面的性能。未來將基于交通車輛交互過程表征開展測(cè)試場(chǎng)景構(gòu)建研究。