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

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

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)實世界的復(fù)雜性，而且性能超過了以往的方法。在該論文詳細介紹的一個試驗中，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 通過解耦交通模型構(gòu)建過程，實現(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)來建模交通模型，以表達車輛行為。

雖然回放（數(shù)據(jù)）可以準確的查看和測試實際駕駛中遇到的特定場景，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單的行為，無法準確仿真更復(fù)雜的情況。

除此之外，基于學習的方法，在現(xiàn)實世界的駕駛?cè)罩旧嫌柧毝?，可生成逼真的未來軌跡。雖然這些模型已被證明能夠有效創(chuàng)建準確、動態(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 模型解耦成高級意圖理解和用來實現(xiàn)意圖的 Low-level 控制器。通過這種方式，該模型能夠合成與現(xiàn)實世界行為十分相似的各種交通模式，還能生成特定的場景。

在與其他 AI 加持的交通模型一起運行時，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 能達到高保真度和多樣性，要歸功于其層次化的模型結(jié)構(gòu)。

該模型的兩個分支均基于現(xiàn)實世界的交通日志上訓練而成。High-level 分支用于預(yù)測車輛的潛在目標，Low-level 分支用于生成實現(xiàn)潛在目標的策略。通過任務(wù)分解，從而將為不同軌跡建模的任務(wù)交給 High-level 分支，而目標導(dǎo)向的 Low-level 策略生成能夠更加高效地運行。

BITS 還包含一個預(yù)測與規(guī)劃模塊，有助于在新環(huán)境和大跨度的時間內(nèi)穩(wěn)定模型表現(xiàn)。為此，該模塊會評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險。

評估 BITS 的質(zhì)量

確定一個交通模型的表現(xiàn)是否真實，以及其是否能生成準確的、未見過的新場景本身就很困難。因為并沒有真值可做直接比較。因此，評估 BITS 交通模型本身就具有挑戰(zhàn)性。

正如 BITS: Bi-Level Imitation for Traffic Simulation 中所詳細介紹的，研究人員進行了三個層面的評估：試運行指標（覆蓋范圍、多樣性和失敗率）、與真實世界相比的統(tǒng)計差異以及與人類駕駛員的相似度。

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

圖 3. 比較各種基于學習的交通模型所規(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景，且失敗率較低。

總結(jié)

在仿真中模仿現(xiàn)實交通行為的能力對于開發(fā)強大的自動駕駛技術(shù)至關(guān)重要。通過優(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世界的復(fù)雜程度。NVIDIA 的目標是進一步開發(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，已在 GitHub 上開源：https://github.com/NVlabs/traffic-behavior-simulation。NVIDIA 還在構(gòu)建并開源 trajdata，該軟件工具能夠統(tǒng)一不同自動駕駛數(shù)據(jù)集的數(shù)據(jù)格式，并將現(xiàn)有數(shù)據(jù)集中的場景轉(zhuǎn)換成交互式仿真環(huán)境。

了解更多

• 適用于自動駕駛汽車的解決方案

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

• BITS 現(xiàn)已在 GitHub 上開源

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

GTC 2024 將于 2024 年 3 月 18 至 21 日在美國加州圣何塞會議中心舉行，線上大會也將同期開放。點擊“閱讀原文”或掃描下方海報二維碼，立即注冊 GTC 大會。