無(wú)論是突然加塞（cut-in），還是無(wú)意地 U 形掉頭，人類駕駛員的行為通常難以預(yù)測(cè)。行為的不可預(yù)測(cè)性源自人類決策過(guò)程的天然復(fù)雜性, 往往受多種因素的影響，而且在不同的運(yùn)行設(shè)計(jì)域（ODD）和國(guó)家也會(huì)有所不同，因此很難在仿真中模擬駕駛行為。

但自動(dòng)駕駛汽車（AV）的開(kāi)發(fā)人員需要有把握地開(kāi)發(fā)和部署能夠在不同 ODD 環(huán)境以及多樣的交通行為下運(yùn)行的駕駛系統(tǒng)。NVIDIA Research 團(tuán)隊(duì)最近發(fā)表的論文 BITS: Bi-Level Imitation for Traffic Simulation 中概述了一種仿真現(xiàn)實(shí)世界交通行為的新方法，該方法可以幫助開(kāi)發(fā)人員做到這一點(diǎn)。

交通仿真 Bi-Level 模仿（BITS）是一種交通模型，該模型能夠以驚人的逼真度還原現(xiàn)實(shí)世界的復(fù)雜性，而且性能超過(guò)了以往的方法。在該論文詳細(xì)介紹的一個(gè)試驗(yàn)中，BITS 的覆蓋范圍和多樣性較性能次佳的模型分別提高了 64% 和 118%，失敗率降低了 36%。

圖 1. BITS 通過(guò)解耦交通模型構(gòu)建過(guò)程，實(shí)現(xiàn)更加逼真的交通仿真

構(gòu)建交通模型所面臨的挑戰(zhàn)

大多數(shù)仿真工具通過(guò)回放原始記錄的數(shù)據(jù)或使用預(yù)定義的基于規(guī)則的交通系統(tǒng)來(lái)建模交通模型，以表達(dá)車輛行為。

雖然回放（數(shù)據(jù)）可以準(zhǔn)確的查看和測(cè)試實(shí)際駕駛中遇到的特定場(chǎng)景，但卻很難仿真記錄之外的行為。另一方面，基于規(guī)則的控制器只能仿真簡(jiǎn)單的行為，無(wú)法準(zhǔn)確仿真更復(fù)雜的情況。

除此之外，基于學(xué)習(xí)的方法，在現(xiàn)實(shí)世界的駕駛?cè)罩旧嫌?xùn)練而成，可生成逼真的未來(lái)軌跡。雖然這些模型已被證明能夠有效創(chuàng)建準(zhǔn)確、動(dòng)態(tài)的駕駛路徑，但它們很難生成多元的遵守道路邊界以及有其他智能體參與的軌跡。

BITS 將 AI 模型解耦成高級(jí)意圖理解和用來(lái)實(shí)現(xiàn)意圖的 Low-level 控制器。通過(guò)這種方式，該模型能夠合成與現(xiàn)實(shí)世界行為十分相似的各種交通模式，還能生成特定的場(chǎng)景。

在與其他 AI 加持的交通模型一起運(yùn)行時(shí)，BITS 可以在保持低失敗率的情況下，持續(xù)展示出多樣的交通模式（圖 2）。

圖 2. BITS 的覆蓋范圍和多樣性水平最高，失敗率最低

BITS 方法

BITS 能達(dá)到高保真度和多樣性，要?dú)w功于其層次化的模型結(jié)構(gòu)。

該模型的兩個(gè)分支均基于現(xiàn)實(shí)世界的交通日志上訓(xùn)練而成。High-level 分支用于預(yù)測(cè)車輛的潛在目標(biāo)，Low-level 分支用于生成實(shí)現(xiàn)潛在目標(biāo)的策略。通過(guò)任務(wù)分解，從而將為不同軌跡建模的任務(wù)交給 High-level 分支，而目標(biāo)導(dǎo)向的 Low-level 策略生成能夠更加高效地運(yùn)行。

BITS 還包含一個(gè)預(yù)測(cè)與規(guī)劃模塊，有助于在新環(huán)境和大跨度的時(shí)間內(nèi)穩(wěn)定模型表現(xiàn)。為此，該模塊會(huì)評(píng)估模型的可能軌跡并選擇那些遵循合理駕駛行為規(guī)則的軌跡，降低了偏離合理行為的風(fēng)險(xiǎn)。

評(píng)估 BITS 的質(zhì)量

確定一個(gè)交通模型的表現(xiàn)是否真實(shí)，以及其是否能生成準(zhǔn)確的、未見(jiàn)過(guò)的新場(chǎng)景本身就很困難。因?yàn)椴](méi)有真值可做直接比較。因此，評(píng)估 BITS 交通模型本身就具有挑戰(zhàn)性。

正如 BITS: Bi-Level Imitation for Traffic Simulation 中所詳細(xì)介紹的，研究人員進(jìn)行了三個(gè)層面的評(píng)估：試運(yùn)行指標(biāo)（覆蓋范圍、多樣性和失敗率）、與真實(shí)世界相比的統(tǒng)計(jì)差異以及與人類駕駛員的相似度。

第一個(gè)層面的評(píng)估直接衡量 Low-Level 分支的覆蓋范圍、每次運(yùn)行的多樣性以及碰撞或偏離道路的駕駛事故的頻率。第二個(gè)層面的評(píng)估將仿真環(huán)境里的汽車速度和加速度差異與真實(shí)世界的數(shù)據(jù)進(jìn)行比較。第三個(gè)層面的評(píng)估通過(guò)與預(yù)測(cè)模型比較來(lái)衡量行為是否與人類駕駛員相似，該預(yù)測(cè)模型可預(yù)測(cè)智能體在給定時(shí)刻的位置。

圖 3. 比較各種基于學(xué)習(xí)的交通模型所規(guī)劃的軌跡

如圖 2 和圖 3 所示，其他模型在生成多樣化軌跡和陷入重復(fù)行為之間作出權(quán)衡，而 BITS 每次都繪制出新的場(chǎng)景，且失敗率較低。

總結(jié)

在仿真中模仿現(xiàn)實(shí)交通行為的能力對(duì)于開(kāi)發(fā)強(qiáng)大的自動(dòng)駕駛技術(shù)至關(guān)重要。通過(guò)優(yōu)化保真度和多樣性，BITS 使 AI 生成的交通仿真更加接近真實(shí)世界的復(fù)雜程度。NVIDIA 的目標(biāo)是進(jìn)一步開(kāi)發(fā)和完善 BITS，并最終將其集成到 NVIDIA DRIVE Sim 的生產(chǎn)管線中。

歡迎業(yè)界在仿真流程中使用該工作并參與貢獻(xiàn)，已在 GitHub 上開(kāi)源：https://github.com/NVlabs/traffic-behavior-simulation。NVIDIA 還在構(gòu)建并開(kāi)源 trajdata，該軟件工具能夠統(tǒng)一不同自動(dòng)駕駛數(shù)據(jù)集的數(shù)據(jù)格式，并將現(xiàn)有數(shù)據(jù)集中的場(chǎng)景轉(zhuǎn)換成交互式仿真環(huán)境。

了解更多

• 適用于自動(dòng)駕駛汽車的解決方案

  https://www.nvidia.cn/self-driving-cars/

• BITS 現(xiàn)已在 GitHub 上開(kāi)源

  https://github.com/NVlabs/traffic-behavior-simulation

GTC 2024 將于 2024 年 3 月 18 至 21 日在美國(guó)加州圣何塞會(huì)議中心舉行，線上大會(huì)也將同期開(kāi)放。點(diǎn)擊“閱讀原文”或掃描下方海報(bào)二維碼，立即注冊(cè) GTC 大會(huì)。