世界快报:密西根大学开发高精度自然驾驶仿真算法，为自动驾驶提供仿真基础

如何提高自动驾驶汽车的安全性能？一直以来，该问题始终困扰着行业。对训练和测试自动驾驶安全性来说，提升安全关键事件的建模精度至关重要。

为促进仿真系统成为自动驾驶开发的有效工具，美国密西根大学刘向宏（Henry X.Liu）教授团队提出了一种基于深度学习的框架 NeuralNDE，通过生成式的方法产生高精度自然驾驶环境。

与其他仿真/研究相比,该技术可高精度地模拟复杂城市驾驶环境，首次让仿真环境可以复现真实世界的事故率，实现了对长尾小概率事件的高精度建模。

(资料图片)

除事故率外，该方法能够生成分布级别准确的安全关键事件指标（包括事故类型、事故严重程度、车辆冲突等），实现了具有“统计学真实性”的仿真环境。

（来源：密西根大学）

这些结果保证了仿真系统能以分布级别的准确度生成自动驾驶（autonomous vehicles，AV）在真实世界中可能遇到的多样危险场景，为自动驾驶的训练和测试提供了仿真基础。

除了安全关键事件指标，这种仿真系统还具有与真实世界数据一致的车辆速度分布、距离分布和让行行为分布等，进一步验证了该方法的精度。

审稿人对该研究评价称，该算法不仅可以生成统计上准确的驾驶数据，还可以准确地再现碰撞率，甚至碰撞类型。“据我们所知，这是第一次看到这样的结果。”

图丨相关论文（来源：Nature Communications）

4 月 11 日，相关论文以《学习具有统计真实性的自然驾驶环境》（Learning naturalistic driving environment with statistical realism）为题在 Nature Communications 上发表[1]，并被选为编辑精选文章（Editor"s Highlights in “Applied physics and mathematics”）。

密西根大学博士生严鑫涛、 邹征夏博士（现为北京航空航天大学教授）为该论文共同第一作者，刘向宏（Henry X.Liu）教授为论文通讯作者。

图丨实现具有统计学真实性的自然驾驶仿真环境（来源：Nature Communications）

目前，仿真大致有两类方法。第一类是基于真实世界采集到的数据在仿真系统中进行微调回放，第二类是通过基于模型或者规则的方法建模人类驾驶员行为。

但这两类方法都有局限性。第一类方法无法生成足够具有反应性的环境，而第二类方法无法准确建模复杂的人类驾驶员行为，这使得仿真系统无法真正成为自动驾驶训练和测试的有效工具。

严鑫涛表示：“我们第一次强调了仿真环境统计学真实性的重要意义，并提出了一个完整的框架来系统性地生成高精度的自然驾驶环境。为使用仿真系统提高自动驾驶的安全性能提供了基础和准确性保障。”

这里提到的“统计学真实性”是指，仿真系统能够准确地反映出真实世界中事件发生的概率和分布情况。仿真系统的统计学真实性，对于自动驾驶的训练和测试非常重要。

如果仿真系统中人类驾驶员行为与真实交通环境中有统计学上的差异，训练得到的自动驾驶模型将无法在真实世界中运行。在此环境中测试自动驾驶汽车得到的安全评价结果，也将是不准确、不可靠的。

图丨现实世界和仿真中多样的碰撞事件（来源：Nature Communications）

为能够准确地建模多智能体复杂的交互行为，研究团队提出基于 Transformer 的模型来建模。那么，该研究中的仿真可以“真”到什么地步呢？具体来说，该技术可复现出与真实世界一致的事故率、事故类型分布、以及事故严重程度分布。

该研究将直接影响自动驾驶领域，特别是和安全性相关的应用。“以自动驾驶的安全性能测试为例，对于基于仿真的自动驾驶测试，需要解决两个关键性问题，即构建高保真度的模拟环境，以及设计评估自动驾驶安全性能的加速测试方法。”严鑫涛说。

除 AV 训练和测试之外，高精度的交通仿真系统还可用于其他与安全有关的应用。例如，使用 NeuralNDE 模型来估计不同交通流条件下交通设施的安全性能。此外，还可能为交通工程领域的研究提供高精度的微观仿真环境。

自动驾驶的测试包括仿真测试、封闭测试场测试以及真实道路测试三个阶段。这三种测试有着各自的优劣势，因此它们是相辅相成的。严鑫涛认为，仿真测试和封闭测试场测试具有更安全、更低成本的优势，未来需要学界和业界进一步探索挖掘其价值。

另一方面，真实道路测试具备最高的精度，但同时也面临高成本、高安全风险的问题。“我认为三者应该结合使用。对于目前 AV 还无法很好处理的复杂城市道路环境，比如该研究中的环岛场景以及无保护左转场景，仿真测试有其独特的优势。”

图丨严鑫涛在密西根大学自动驾驶测试场（来源：严鑫涛）

最近，该团队继续以自动驾驶的安全性为主要研究方向，包括如何基于高精度的仿真环境测试和提高自动驾驶汽车安全水平。后续，他们将进一步提升该研究中模型的泛化能力和性能。

参考资料：

1.Yan, X., Zou, Z., Feng, S. et al. Learning naturalistic driving environment with statistical realism. Nature Communications 14, 2037 (2023). https://doi.org/10.1038/s41467-023-37677-5