本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

自動(dòng)駕駛測(cè)試離不開仿真系統(tǒng)。

這種高效低成本的方法，可以模擬車輛在真實(shí)環(huán)境下遇到的各種情況，以提高車輛真正上路后的安全性。

因此，模型的準(zhǔn)確性成為了仿真系統(tǒng)的關(guān)鍵之一。

該領(lǐng)域的最新成果，首次實(shí)現(xiàn)了高精度的具有統(tǒng)計(jì)學(xué)真實(shí)性的自然駕駛仿真環(huán)境，并登上《Nature Communications》，并被選為編輯精選文章（Editor's Highlights）。

它可以生成分布級(jí)別準(zhǔn)確的安全關(guān)鍵事件，包括事故沖撞和沖突事件（near-miss）。

審稿人表示，該研究對(duì)自動(dòng)駕駛的開發(fā)和部署都具有重要意義。

高精度建模長(zhǎng)尾事件

該研究主要面臨三方面挑戰(zhàn)。

第一是維度災(zāi)難（Curse of Dimensionality）。

在真實(shí)的交通環(huán)境里，車輛很多、車輛之間的交互非常復(fù)雜、時(shí)間域比較長(zhǎng)。這使得統(tǒng)計(jì)學(xué)真實(shí)下建立高精準(zhǔn)度的仿真環(huán)境，將會(huì)是一個(gè)高維問題。

第二是稀度災(zāi)難（Curse of Rarity）。

在真實(shí)的交通環(huán)境里，事故是少數(shù)，一英里發(fā)生交通事故的概率約為0.000001。因此想要高精度建模這些長(zhǎng)尾事件，是目前業(yè)界和學(xué)術(shù)界共同面臨的難題。

第三方面挑戰(zhàn)來(lái)自分布變化。

這對(duì)于基于機(jī)器學(xué)習(xí)的仿真模型尤其重要。空間和時(shí)間上的小誤差積累，可能會(huì)導(dǎo)致頻繁駛離道路、不真實(shí)的碰撞，甚至是整個(gè)系統(tǒng)的崩潰。

此外，由于駕駛環(huán)境內(nèi)的高度交互性，單個(gè)智能體的不真實(shí)行為會(huì)影響并傳播到仿真系統(tǒng)中的所有智能體。

NeuralNDE的提出就是為了解決上述挑戰(zhàn)。它的框架如下：

預(yù)訓(xùn)練階段，將所有車輛歷史時(shí)間內(nèi)的過去狀態(tài)作為輸入，預(yù)測(cè)其未來(lái)行為的聯(lián)合分布。

利用BERT基礎(chǔ)模型的最新進(jìn)展，Transformer作為行為建模網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)，來(lái)表征多智能體交互行為。

推理階段包括行為建模網(wǎng)絡(luò)、沖突判別模塊和安全映射網(wǎng)絡(luò)。

其中，行為建模網(wǎng)絡(luò)能夠預(yù)測(cè)各車輛的行為分布。但是由于訓(xùn)練數(shù)據(jù)中，安全關(guān)鍵事件非常少，所以在安全關(guān)鍵條件下，預(yù)測(cè)會(huì)不夠準(zhǔn)確，比如出現(xiàn)碰撞率虛高的情況。

這種情況下，安全映射網(wǎng)絡(luò)將指導(dǎo)車輛行為。

研究團(tuán)隊(duì)在推理過程中引入了沖突批判機(jī)制，它在模擬過程中控制危險(xiǎn)駕駛行為的發(fā)生頻率和模式。

如果有潛在沖突事件，將會(huì)允許在一定概率下接受車輛執(zhí)行危險(xiǎn)行為，并不傳遞給安全映射網(wǎng)絡(luò)。這個(gè)概率是和軌跡相關(guān)的，并且會(huì)進(jìn)行校準(zhǔn)，以符合真實(shí)路況的安全臨界統(tǒng)計(jì)。

在模擬過程中，所有道路使用者的狀態(tài)將根據(jù)每個(gè)模擬步驟中的行為建模網(wǎng)絡(luò)、沖突批判模塊和安全映射網(wǎng)絡(luò)進(jìn)行更新，以自回歸生成仿真環(huán)境。

為了驗(yàn)證方法的有效性，團(tuán)隊(duì)對(duì)兩個(gè)真實(shí)多車道環(huán)形交叉口進(jìn)行研究。

團(tuán)隊(duì)表示，這是第一次實(shí)現(xiàn)了高精度的具有統(tǒng)計(jì)學(xué)真實(shí)性的自然駕駛仿真環(huán)境，特別是針對(duì)長(zhǎng)尾事件。

此外，該系統(tǒng)可以進(jìn)行長(zhǎng)時(shí)間的模擬（小時(shí)級(jí)別），其中訓(xùn)練或測(cè)試中的自動(dòng)駕駛車輛可以持續(xù)和場(chǎng)景中的非測(cè)試車輛進(jìn)行交互。

除了自動(dòng)駕駛測(cè)試外，該系統(tǒng)還能用于交通設(shè)施安全性能評(píng)估等安全應(yīng)用中。

如下是一個(gè)測(cè)試場(chǎng)景。b圖中紅色避讓區(qū)域?yàn)楸茏屲囕v，藍(lán)色區(qū)域?yàn)闆_突車輛，避讓距離和速度都在圖中有標(biāo)注。

研究團(tuán)隊(duì)使用了大約15000個(gè)小時(shí)的模擬數(shù)據(jù)來(lái)驗(yàn)證NeuralNDE的性能。

主要實(shí)驗(yàn)結(jié)果如下。

圖a是車輛碰撞類型分布，圖b是車輛碰撞嚴(yán)重程度分布，圖c是險(xiǎn)情下車輛距離分布，圖d是險(xiǎn)情情況下PET（post-encroachment time）分布，PET越小表示情況越危險(xiǎn)。

這些結(jié)果表明，除了車輛碰撞事故，NeuralNDE還可以表征真實(shí)情況下的近距離事故統(tǒng)計(jì)情況，這證明該方法在車輛安全關(guān)鍵行為方面能夠準(zhǔn)確建模。

研究團(tuán)隊(duì)表示，接下來(lái)他們還將進(jìn)一步開發(fā)和提升NeuralNDE，并嘗試分析自動(dòng)駕駛對(duì)周圍車輛產(chǎn)生的影響。

團(tuán)隊(duì)介紹

本文的共同一作為Xintao Yan 嚴(yán)鑫濤，密西根大學(xué)五年級(jí)博士生，他于2018年在清華大學(xué)車輛與運(yùn)載學(xué)院取得學(xué)士學(xué)位。研究重心為自動(dòng)駕駛的安全性，包括如何基于高精度的仿真環(huán)境測(cè)試和提高自動(dòng)駕駛汽車安全水平。

另一位一作是Zhengxia Zou 鄒征夏博士，完成該工作時(shí)為密西根大學(xué)博士后，現(xiàn)為北航教授。

本文的通訊作者為：Henry X. Liu教授，密西根大學(xué)Civil and Environmental Engineering系教授，Mcity主任，Center for Connected and Automated Transportation主任。

其他作者包括Shuo Feng (封碩博士)，Haojie Zhu (朱昊杰)，Haowei Sun（孫昊葳）。

論文地址：https://www.nature.com/articles/s41467-023-37677-5

嚴(yán)鑫濤主頁(yè)：https://yougeyxt.github.io/

鄒征夏主頁(yè)：https://zhengxiazou.github.io/

Henry X. Liu教授實(shí)驗(yàn)室主頁(yè)：
https://traffic.engin.umich.edu/home