CN115081186B - 一种支持数据驱动的驾驶行为仿真***及其仿真方法 - Google Patents

Abstract

本发明涉及一种支持数据驱动的驾驶行为仿真***及其仿真方法，***主要由3个模块构成：基于Opendrive路网数据格式开发的通用内核，用以构造广泛的交通环境；以一个混合重训练约束的长短时记忆网络模型，即SHRC‑LSTM模型，实现多种驾驶行为的一体化建模，模拟高精度的轨迹；以一个定制接口实现数驾驶行为模型和通用内核的独立和连接。与现有技术相比，本发明通过提出一个完全数据驱动的仿真***，实现交通流的仿真再现，可支持不同场景及不同类型的模型替换，同时提高了微观交通仿真的精度、灵活性和可拓展性。

Description

一种支持数据驱动的驾驶行为仿真***及其仿真方法

技术领域

本发明涉及微观交通仿真技术领域，尤其是涉及一种支持数据驱动的驾驶行为仿真***及其仿真方法。

背景技术

微观交通仿真技术通过模拟车辆的驾驶行为，可实现路网交通多维度的评价，为交通管理提供有效支持，也可用于规划期内设计方案的评估。经过约半个世纪的发展，仿真***被封装为成熟的仿真软件，在业界获得了广泛的关注和应用。高仿真精度是仿真结果可靠性的重要保障，仿真***通常是一个多模块集成的复杂结构，其中驾驶行为模型是影响精度最重要的模块。目前为止，传统的驾驶行为模型将运动在空间上分解为运动方向(纵向)和垂直运动方向(横向)两个互不干扰的方向，在时间上分割为顺序连接的各种驾驶行为，分别由不同的模型控制；并且需要根据观测数据对模型进行标定和验证，以确保模型的表现与现实相符。然而，由于现有模型对实际行为做了大量简化，且复杂的标定过程伴随着难以克服的误差，致使仿真精度止步不前。另一方面，飞速发展的数据驱动方法在各领域都表现出巨大的潜力，将数据驱动方法接入仿真***，是提高仿真的精度的可行手段，将进一步推广仿真技术在业界的应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种支持数据驱动的驾驶行为仿真***及其仿真方法，旨在通过调整现有仿真***的结构和连接，实现数据驱动的驾驶行为模型的接入，以提高仿真***精度和兼容性。

本发明设计了仿真***结构及运行逻辑，通过读取路网和交通流信息重建仿真环境，采用数据驱动模型模拟车辆运动，实现驾驶行为模型与其他模块间的独立与连接。

本发明的目的可以通过以下技术方案来实现：

本发明将整体仿真***划分为三个部分(见附图1)：首先是通用内核，由输入/输出、基础设施、交通控制、车辆生成、路网等多个子模块构成，用于搭建仿真环境；其次数据驱动的驾驶行为模型——混合重训练约束的长短时记忆网络模型模型(模型全称：Sim-Hybrid Retraining Constrained LSTM，简称为：SHRC-LSTM，)，在模型训练过程中加入车辆运行安全约束，以实现安全的行为预测；最后是连接两部分的定制接口，实现车辆运动信息的传递，以及确保各模块的独立和连接。

本发明的步骤如下：

一种支持数据驱动的驾驶行为仿真***，包括通用内核、数据驱动的驾驶行为模型和定制化接口，所述定制化接口用于连接通用内核和数据驱动的驾驶行为模型进行数据传输；

所述通用内核用于构建交通场景，生成车辆状态和环境状态；

所述数据驱动的驾驶行为模型用于根据车辆的时间序列数据，预测下一时间步长的车辆状态；

所述定制化接口用于对所述车辆状态和环境状态进行整合，构建时间序列数据，并传输给数据驱动的驾驶行为模型；对预测的下一时间步长的车辆状态施加约束，得到重修订的车辆状态，并反馈给所述通用内核更新交通场景。

进一步地，所述通用内核包括：

输入模块，用于进行路网和车辆的初始化，以及进行路网信息解析；

输出模块，用于输出仿真统计参数和分析结果，导出车辆运动轨迹；

基础设置模块，用于对不同的道路类型配置对应的基础设施；

交通控制模块，用于配置信号灯的控制方案；

车辆生成模块，用于根据输入模块的初始化信息设置车辆进入的位置、车辆的初始状态和车辆进入的间隔，并根据交通控制模块的数据生成车辆状态；

道路网络模块，用于根据基础设置模块和交通控制模块的信息，并基于预设的路网格式，构建道路网络，生成环境状态；

车辆控制模块，用于根据重修订的车辆状态实时更新车辆状态，并反馈给道路网络模块和输出模块。

进一步地，所述道路网络模块根据OpenDRIVE路网格式构建道路网络，所述路网格式包括路段和节点，所述路段是一条或多条行驶方向相同车道的集合，路段之间用节点进行连接，一个节点中有一条或多条连接器。

进一步地，所述数据驱动的驾驶行为模型的输入包括连续性的本车运行特征、与周围车的交互特征、车道线信息及交通规则；

所述数据驱动的驾驶行为模型的模型结构为预先构建并训练好的SHRC-LSTM模型；

所述数据驱动的驾驶行为模型的输出为二维位置坐标。

进一步地，所述SHRC-LSTM模型的训练过程包括：

获取驾驶行为的训练集，并将该训练集划分为数据集D1和数据集D2，首先采用数据集D1训练长短时记忆网络模型，然后输入数据集D2进行预测，根据预先设置的安全约束检查并修正不符的预测结果，将修正后的数据集D2作为数据集D3，整合数据集D1和数据集D3继续训练所述长短时记忆网络模型。

进一步地，所述SHRC-LSTM模型为双层LSTM模型。

进一步地，所述安全约束包括不得超过最大速度、与周围车间距不得小于最小间距和不倒车。

进一步地，所述安全约束的计算表达式为：

式中，为i时刻的预测坐标，Yⁱ为i时刻的真实坐标，Δv_y为最大速度，Δt为预测时间间隔，/>为右侧方向最近车的坐标，/>为左侧方向最近车的坐标，/>为右侧方向的最小车间距，/>为左侧方向的最小车间距，/>为预测速度。

进一步地，所述定制化接口对预测的下一时间步长的车辆状态施加的约束包括最大速度约束、最小间距约束和不倒车约束。

本发明还提供一种如上所述的一种支持数据驱动的驾驶行为仿真***的仿真方法，包括以下步骤：

S1：根据输入模块和道路网络模块初始化路网；

S2：通过道路网络模型更新路网状态；

S3：根据路网状态通过车辆生成模块生成车辆；

S4：计算出车辆状态；

S5：根据车辆状态生成车辆的轨迹坐标，根据路网状态提取周围车辆及道路，得到车辆时序数据集，整合状态信息；

S6：通过数据驱动的驾驶行为模型根据整合的状态信息进行车辆轨迹预测；

S7：对所述车辆轨迹预测结果添加约束；

S8：更新车辆状态；

S9：判断车辆是否到达出行终点，若是，则删除车辆，若否，则执行步骤S10；

S10：生成车辆的轨迹记录；

S11：判断是否为当前时刻的最后一辆车，若是，则执行步骤S12，否则返回步骤S4；

S12：判断是否到达预设的仿真终止时间，若是，则仿真结束，否则返回步骤S2。

与现有技术相比，本发明具有以下优点：

(1)本发明提出的SHRC-LSTM模型，从轨迹数据中提取时空运行规律，可实现高精度的车辆轨迹预测，提高了仿真精度，从而在一定程度上促进仿真的应用。

(2)本发明基于Opendrive路网格式进行开发和适配，提供路网及交通流模型的适配算法，便于规范化路网结构，有利于建立通用的仿真***工具。

(3)本发明提出的通用的数据驱动仿真框架，驾驶行为模型可支持数据驱动模型和解析模型两种形式，定制的接口一方面保证***内核结构的通用性，一方面可维护***内车辆安全。

附图说明

图1为本发明实施例中提供的一种支持数据驱动的驾驶行为仿真***的***框架示意图；

图2为本发明实施例中提供的一种支持数据驱动的驾驶行为仿真***的控制逻辑示意图；

图3为本发明实施例中提供的一种交互车辆检验区的示意图；

图4为本发明实施例中提供的一种SHRC-LSTM模型结构及训练示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例1

如图1所示，本实施例提供一种支持数据驱动的驾驶行为仿真***，包括通用内核、数据驱动的驾驶行为模型和定制化接口，定制化接口用于连接通用内核和数据驱动的驾驶行为模型进行数据传输；

通用内核用于构建交通场景，生成车辆状态和环境状态；

数据驱动的驾驶行为模型用于根据车辆的时间序列数据，预测下一时间步长的车辆状态；

定制化接口用于整合车辆状态和环境状态，构建时间序列数据，并传输给数据驱动的驾驶行为模型；也用于对预测的下一时间步长的车辆状态施加约束，将重修订的车辆状态反馈给通用内核以更新交通场景。

下面对各部分进行具体描述。

1、建立通用内核部分

1.1、输入/输出模块。该模块主要实现路网和车辆的初始化。在仿真***运行之初，***内是没有仿真个体的。初始化路网阶段定义的流量需要以一定的规则逐渐进入路网，主要有三个问题要解决：车辆进入的位置、车辆的初始状态和车辆进入的间隔，将调用车辆生成模块实现。

另外，输入模块还承担路网信息解析的工作，解析后的信息被传递到相关模块中。OpenDRIVE格式是以可扩展标记语言(XML)为基础的描述道路及道路网的通用标准。存储在OpenDRIVE文件中的数据描述了道路的几何形状以及沿线的特征，并且定义了基础的的交通标志以及道路基础设施，例如车道和信号灯。

输出模块，根据仿真场景的要求，可输出相关的统计参数和分析结果；导出车辆运动轨迹后，生成仿真动画。

1.2、基础设施模块。对不同的道路类型将考虑不同的基础设施。若是高快速路，则考虑出入口匝道连接的服务区；若为城市道路，则考虑停车场；而城乡道路则考虑路桥连接。

1.3、交通控制模块。主要为可调整的信号灯及信号灯配时方案。

1.4、车辆生成模块。车辆进入的位置由以下参数控制：{全局横坐标G_x，全局纵坐标G_y，路段编码Link_id，车道编码lane_id}，(其中，路段编码Link_id，车道编码lane_id可根据仿真坐标系选择)，参数支持指定和随机函数生成两种形式。除位置外，车辆的初始状态还包括{速度v，加速度a，方向角γ，车辆类型T_p}，以上参数具有随机性且具有相关关系，可根据需求采用随机函数实现；车辆进入间隔，采取泊松分布来进行表达。泊松分布适用于交通流密度适中或较高，个体之间到达情况的相互影响微弱且到达为随机的情况。泊松分布刻画了事件在一段时间内发生次数的分布，其重要性质是数学期望和方差都等于参数λ。假设一个信号周期内到达的车辆数量为X，X的可能的取值为0，1，2，…，n。则取值概率为：

其中，

P(X＝k)为在一个信号周期内到达k辆车的概率；

λ为每个周期车辆的平均到达率，k可以取0,1,2…,n。

由于机动车到达服从泊松分布，因此机动车生成的时间间隔服从负指数分布。车辆到达的时间间隔至少为t秒的概率为：

P(h≥t)＝e^-λt

当计算出到达间隔后，能够控制机动车以服从泊松分布的到达时刻进入仿真路网。

1.5、道路网络模块。路网主要由路段和节点构成。路段是一条或多条行驶方向相同车道的集合，同时在一个路段内的车道数量不会发生变化。路段之间用节点进行连接，一个节点中可能有多条连接器。路段属性包括{编码link_id，类型type，车道lane，前路段link_be，后路段link_af，中线坐标xy_cen，边线坐标xy_si}；

其中车道属性包括{编码lane_id，相邻左道lane_le，相邻右道lane_ri，车道分割线属性side，中线坐标xy，边线坐标xy_si}。

1.6、车辆控制模块。根据驾驶行为模型计算的参数实时更新车辆状态，包括{速度v，加速度a，方向角γ，车辆类型T_p，全局横坐标G_x，全局纵坐标G_y}，并将车辆匹配到路网中，即更新以下状态{所在车道Lane_id，所在路段Link_id，全局横坐标G_x，全局纵坐标G_y，映射车道中线位置IN_y}。

2、建立数据驱动的驾驶行为模型

2.1、模型输入

选取位置作为本车驾驶特征的代表性指标，选取持续Li/s的历史轨迹作为输入。假设车辆只与检测区内车辆交互，选取持续Li/s的交互车历史轨迹作为输入，指示交互特征；这里定义车辆所在车道及相邻左右车道包围的矩形范围为检测区，如图3所示，则检测区内六个方位的最近车为交互车，具体来说就是左前方、右前方、前方、左后方、后方、右后方位置车辆。最后计算当前车速持续n/s的位置，将映射到两侧车道线上的坐标位置作为输入，指示车道线影响。综上，每时刻的输入为：

其中，x_t为模型时刻点的输入，为二维坐标位置，t指示时间，ind指示不同车辆，i为时间间隔；

模型将持续L_iΔt/s，时间间隔为Δt的历史轨迹作为输入，则模型输入X_t为：

2.2、模型结构

选择长短时记忆网络模型(Long Short-Term Memory，LSTM)为基本结构，LSTM网络的每个单元都是一个具有三个自参数化控制门的内存块：输入门、遗忘门和输出门，模型通过三种“门”的精细结构向细胞状态添加或移除信息。

为减少实际应用中产生的违背常规的结果，本发明将位置和速度约束加入模型设计中，提出SHRC-LSTM模型，如图4所示，将训练集划分为两个数据集D1和D2，首先输入数据集D1训练模型；训练结束后输入数据集D2进行预测，按照三条约束依次检查并修正不符的预测结果，将修正后的数据集D2称为数据集D3；最后，整合数据集D1和D3，作为模型的训练集，继续训练模型。

需要修正的三个条件分别是：不得超过最大速度，与周围车间距不得小于最小间距，不倒车：

式中：

Yⁱ为i时刻预测坐标、真实坐标；

Δv_y为最大速度；

Δt为预测时间间隔；

为右(前)、左(后)各方向最近车的坐标；

为右(前)、左(后)各方向的最小车间距；

为预测速度。

模型的主要结构采用双层LSTM模型，隐藏层神经元个数250，选择均方方差(MSE)为损失函数，激活函数采用tanh，优化器采用Adam，批尺寸(Batch size)选择32，定型周期(Epoch)选择50。

2.3、模型输出

模型的输出时间间隔为Δt的被预测车的未来位置，如下：

3、建立定制化接口实现模型接入

从通用内核到驾驶行为模型需要传递的信息具体包括：持续时长8s的本车历史轨迹和6辆交互车历史轨迹，当前车速预计4s车道边线坐标。

注意的是将所有车辆信息整合后传递，即每一个仿真步长只传递一次。

从驾驶行为模型到通用内核需要传递的信息具体包括：修正后的模型预测轨迹

三个修正条件分别是：最大速度，最小间距，不倒车：

其中：

Yⁱ为i时刻预测坐标和真实坐标；

Δv_y为最大速度；

Δt为预测时间间隔；

为右(前)、左(后)各方向最近车的坐标；

为右(前)、左(后)各方向的最小车间距；

预测速度；

4、仿真***通用框架及控制逻辑

如图2所示，仿真从初始化路网和车辆开始，构建仿真环境；外层循环为仿真时间，在每个时刻对所有的车辆进行内层循环，对每一辆车分别进行运动状态的计算，并通过安全约束的检查后，更新到路网中。当路网中最后一辆车计算结束后，仿真步长加1，仿真继续。车辆从路网中删除的标志是到达出行终点，而仿真结束的标志是到达仿真终止时间。

具体过程如下：

S1：根据输入模块和道路网络模块初始化路网；

S2：通过道路网络模型更新路网状态；

S3：根据路网状态通过车辆生成模块生成车辆；

S4：计算出车辆状态；

S5：根据车辆状态生成车辆的轨迹坐标，根据路网状态提取周围车辆及道路，得到车辆时序数据集，整合状态信息；

S6：通过数据驱动的驾驶行为模型根据整合的状态信息进行车辆轨迹预测；

S7：对所述车辆轨迹预测结果添加约束；

S8：更新车辆状态；

S9：判断车辆是否到达出行终点，若是，则删除车辆，若否，则执行步骤S10；

S10：生成车辆的轨迹记录；

S11：判断是否为当前时刻的最后一辆车，若是，则执行步骤S12，否则返回步骤S4；

S12：判断是否到达预设的仿真终止时间，若是，则仿真结束，否则返回步骤S2。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种支持数据驱动的驾驶行为仿真***，其特征在于，包括通用内核、数据驱动的驾驶行为模型和定制化接口，所述定制化接口用于连接通用内核和数据驱动的驾驶行为模型进行数据传输；

所述通用内核用于构建交通场景，生成车辆状态和环境状态；

所述数据驱动的驾驶行为模型用于根据车辆的时间序列数据，预测下一时间步长的车辆状态；

所述定制化接口用于对所述车辆状态和环境状态进行整合，构建时间序列数据，并传输给数据驱动的驾驶行为模型；对预测的下一时间步长的车辆状态施加约束，得到重修订的车辆状态，并反馈给所述通用内核更新交通场景；

所述通用内核包括：

输入模块，用于进行路网和车辆的初始化，以及进行路网信息解析；

输出模块，用于输出仿真统计参数和分析结果，导出车辆运动轨迹；

基础设置模块，用于对不同的道路类型配置对应的基础设施；

交通控制模块，用于配置信号灯的控制方案；

车辆生成模块，用于根据输入模块的初始化信息设置车辆进入的位置、车辆的初始状态和车辆进入的间隔，并根据交通控制模块的数据生成车辆状态；

道路网络模块，用于根据基础设置模块和交通控制模块的信息，并基于预设的路网格式，构建道路网络，生成环境状态；

车辆控制模块，用于根据重修订的车辆状态实时更新车辆状态，并反馈给道路网络模块和输出模块；

所述数据驱动的驾驶行为模型的输入包括连续性的本车运行特征、与周围车的交互特征、车道线信息及交通规则；

所述数据驱动的驾驶行为模型的模型结构为预先构建并训练好的SHRC-LSTM模型；

所述数据驱动的驾驶行为模型的输出为二维位置坐标；

所述定制化接口对预测的下一时间步长的车辆状态施加的约束包括最大速度约束、最小间距约束和不倒车约束。

2.根据权利要求1所述的一种支持数据驱动的驾驶行为仿真***，其特征在于，所述道路网络模块根据OpenDRIVE路网格式构建道路网络，所述路网格式包括路段和节点，所述路段是一条或多条行驶方向相同车道的集合，路段之间用节点进行连接，一个节点中有一条或多条连接器。

3.根据权利要求1所述的一种支持数据驱动的驾驶行为仿真***，其特征在于，所述SHRC-LSTM模型的训练过程包括：

获取驾驶行为的训练集，并将该训练集划分为数据集D1和数据集D2，首先采用数据集D1训练长短时记忆网络模型，然后输入数据集D2进行预测，根据预先设置的安全约束检查并修正不符的预测结果，将修正后的数据集D2作为数据集D3，整合数据集D1和数据集D3继续训练所述长短时记忆网络模型。

4.根据权利要求3所述的一种支持数据驱动的驾驶行为仿真***，其特征在于，所述SHRC-LSTM模型为双层LSTM模型。

5.根据权利要求3所述的一种支持数据驱动的驾驶行为仿真***，其特征在于，所述安全约束包括不得超过最大速度、与周围车间距不得小于最小间距和不倒车。

6.根据权利要求5所述的一种支持数据驱动的驾驶行为仿真***，其特征在于，所述安全约束的计算表达式为：

式中，为i时刻的预测坐标，Yⁱ为i时刻的真实坐标，Δv_y为最大速度，Δt为预测时间间隔，/>为右侧方向最近车的坐标，Y_l ⁱ为左侧方向最近车的坐标，/>为右侧方向的最小车间距，/>为左侧方向的最小车间距，/>为预测速度。

7.一种如权利要求1所述的一种支持数据驱动的驾驶行为仿真***的仿真方法，其特征在于，包括以下步骤：

S1：根据输入模块和道路网络模块初始化路网；

S2：通过道路网络模型更新路网状态；

S3：根据路网状态通过车辆生成模块生成车辆；

S4：计算出车辆状态；

S5：根据车辆状态生成车辆的轨迹坐标，根据路网状态提取周围车辆及道路，得到车辆时序数据集，整合状态信息；

S6：通过数据驱动的驾驶行为模型根据整合的状态信息进行车辆轨迹预测；

S7：对所述车辆轨迹预测结果添加约束；

S8：更新车辆状态；

S9：判断车辆是否到达出行终点，若是，则删除车辆，若否，则执行步骤S10；

S10：生成车辆的轨迹记录；

S11：判断是否为当前时刻的最后一辆车，若是，则执行步骤S12，否则返回步骤S4；

S12：判断是否到达预设的仿真终止时间，若是，则仿真结束，否则返回步骤S2。