交通流仿真万字综述.docVIP

交通流仿真万字综述 1 引言 基于各种仿真模型和真实交通数据实现的虚拟交通（Virtualized traffic）是重建交通流的理想方法。虚拟交通对视频游戏、虚拟现实、交通工程和自动驾驶等都有很大益处。 这篇文章首先讨论了三种不同层次的交通仿真模型；其次介绍了基于数据驱动的虚拟交通构建技术；再次讨论了如何将交通仿真应用于自动驾驶车辆的训练和测试；最后讨论了交通仿真的研究现状，并提出了未来的研究方向。 1.1 为什么要研究交通仿真 近年来，可视化交通（visual traffic）受到了越来越多的关注。其中，在构建城市场景时不可避免的会涉及大量的车辆。为了控制单个车辆的运动，一个简单的方案是使用关键帧方法（keyframe methods）。然而关键帧方法在模拟大规模交通场景中的交通拥堵、频繁的换道以及行人与车辆的交互行为时，不仅需要设计师进行复杂的设计和重复的调整，而且生成的车辆运动一般不符合物理规律。因此，有效地模拟大规模交通流已成为计算机图形学中一个重要课题。此外，由于OpenStreetMap、ESRI和谷歌Maps等道路网络可视化工具的普及，将实时交通流整合到虚拟道路网络中也变得至关重要。然而，实时获取车辆的实际轨迹并将其整合到虚拟应用中是非常困难的，这些趋势推动了数据驱动的交通仿真的研究工作。 除了上述应用外，交通仿真在交通研究中有着广泛的应用。 基于虚拟现实的驾驶训练项目能通过生成真实的交通环境帮助新驾驶员提高驾驶技能。 交通仿真还可以作为生成各种交通条件的有效工具，用于训练和测试自动驾驶车辆。 日益增长的车流量和复杂的道路网络导致了许多与交通相关的问题，如交通堵塞、事故管理、信号控制和网络设计优化等。 这些问题很难用基于分析模型的传统工具解决。因此人们尝试使用先进的计算技术对交通进行建模、仿真和可视化，以分析交通管理的交通条件，或帮助城市发展中的交通重建。 1.2 需要研究哪些问题 交通仿真的一个主要焦点是回答以下问题:给定道路网络、行为模型和初始车辆状态，交通将如何演变? 交通流的建模与仿真有大量的数学描述，大致可以分为宏观模型、微观模型、中观模型。宏观模型将车辆集合视为一个连续的流动，微观模型模拟每辆车在其周围车辆影响下的动态。中观模型结合了微观和宏观模型的优点来模拟不同层次的交通细节。此外，道路网络的生成和表示也是交通仿真中的一个基本问题。 前面提到的交通模型可以有效地捕获交通流外观，但得到的模拟结果通常并不真实。随着传感器硬件和计算机视觉技术的发展，以视频、激光雷达和GPS传感器形式存在的交通流数据越来越多。这种现象催生了数据驱动的交通动画技术。例子包括：重建从现有道路交通流量传感器中获取的时空数据；从有限的样本轨迹合成新的交通流；从交通监控数据集学习行为模式和独立特征以产生交通流。 如何测量模拟交通的真实感的研究也不充分。为了解决这些问题，目前的主流方法包括使用主观的用户评价方法，并将客观的评价指标纳入度量。 虚拟交通也被应用到自动驾驶的训练中。目前进行自动驾驶性能测试时，通常只使用一个具有预定义行为的单一道路用户例如车辆、行人或自行车（译者注：single actor）。通过在拥有丰富的不同道路使用者之间交互的模拟交通流中进行训练，自动驾驶汽车有可能获得在复杂的城市环境中处理复杂交通条件的能力。考虑到交通仿真在自动驾驶研究中的重要性，本文也从数据采集、运动规划和模拟测试三个方面描述了自动驾驶的最新进展。 1.3 整体框架 第2节介绍了三种基于模型的交通仿真方法，并提供了面向道路网络的过程建模和几何表示的不同方法。 第3节介绍了基于不同数据获取方法的数据驱动交通仿真技术。 第4节介绍了评价生成的虚拟交通流的真实程度的方法。 第5节介绍了数据集、e2e运动规划算法和使用虚拟交通进行的自动驾驶研究。 第6节讨论了现状和展望。 整体框架 2 基于模型的交通流建模 在交通仿真中，一个重要工作是在不同的细节水平上描绘车辆的运动。目前交通仿真技术大致分为三种类型，分别为宏观、微观和中观。 交通流可以被看作是一种流，流中的车辆共享相似的目标和行为规则，与邻居交互同时保持各自的驾驶特性。在计算机图形学中，群体仿真一直是一个重要的研究领域，它为集体行为和动力学的研究提供了支持。人群模拟可以通过宏观方式以个体真实运动为代价对群体进行整体建模，也可以通过微观方式将群体建模为个体运动的集合。 2.1 宏观方法 宏观方法也称为连续体方法，以较低的水平描述车辆的行为和相互作用:交通流由速度、流量、密度等连续体表示。宏观方法主要是为了效率而设计，重点是再现用流量密度和交通流量等集体量测量的聚集行为。 早期的一阶宏观模型之一是由Lighthill、Whitham以及Richards开发的LWR模型。从本质上讲，LWR模型以低分辨率的