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模型以低分辨率的细节描述了大规模交通流的运动。它的局限性是不能模拟车辆在非平衡条件下的运动。

Payn和Whitha提出了连续二阶交通流模型Payne-Whitham (PW)模型。一阶模型假设存在一个固定的平衡状态，二阶模型引入一个二阶微分方程来描述交通速度动态。但在PW模型中司机可以受到他们的后续车辆的影响。

Aw、Rascle和Zhang对PW模型进行了修正，以消除其非物理行为。Zhang同样提出了对PW模型动量方程的修正来处理向后传播的交通，构建了Aw-Rascle-Zhang (ARZ)模型。

为了生成详细的交通流三维动画，Sewall等提出了连续交通仿真模型以生成大规模道路网络上真实的交通流。他们将车道离散为多个单元格来进行仿真，并通过引入一种新的变道模型，使单车道的ARZ模型适应于处理多车道交通。为了更新每个单元的状态，LEVEQUE R. J使用有限体积法(FVM)进行空间离散化，并结合Riemann求解器对ARZ方程进行求解。为了对车道合并和变道行为进行建模，Sewall等人将连续动态与离散车辆信息相结合，将车辆表示为车辆粒子系统。这些粒子系统是由底层的连续流驱动的。

离散道路

综上，宏观模型是模拟大规模交通的有效工具。然而这些技术仅限于高速公路网络，但因为城市交通包含了汽车之间丰富的交互行为，因而不适合模拟城市交通。此外，由于这些模型不模拟汇入等行为，因此无法处理换道过程中的密度传递。

2.2 微观方法

微观模型在高水平的细节上产生车辆运动，每辆车都被视为一个离散的代理，且满足一定的控制规则。针对城市交通仿真已经开发了大量的微观模型，这是因为微观模型可以灵活地建模代理的异构行为、不同的道路拓扑以及车辆之间的交互关系。

早期的微观模型包括元胞自动机模型和跟车模型。元胞自动机模型中车辆的运动由预先指定的时间、空间和状态变量中的演化规则来描述。具体来说，道路被离散化为单元，模型决定车辆何时从当前单元移动到下一个单元。由于其简单性，元胞自动机模型计算效率高，可以模拟大型路网上的大量车辆。然而由于其离散性，因此只能再现有限数量的真实交通行为。

相比之下，车辆跟驰模型，可以生成真实的驾驶行为和详细的车辆特征，但其计算成本相对较高。模型假设交通流由分散的粒子组成，并对汽车间的相互作用进行了详细的建模。模型通过基于刺激-响应框架(Response = Sensitivity Stimulus)的连续时间微分方程来表示每辆车的位置和速度。

在过去的几十年里，跟驰模型发展很快。其中两个著名的例子是最优速度模型(OVM) 和智能驾驶模型(IDM)。OVM模型假设主车保持最优速度，它的加速度由它的速度和前车的最佳速度之差决定。IDM模型根据车辆当前速度和相对于前车的速度和位置计算车辆的加减速，特定参数使IDM模型能够模拟各种车辆类型和驾驶风格。

对于多车道模拟，其中一个方法是使用改进的OVM，该模型用于模拟双车道高速公路和有入口匝道的单车道高速公路的交通。另一种方法是使用twolane交通模型，该模型用来模拟交通的横向效应。

Shen和Jin 提出了一种增强的结合连续换道技术的IDM，可以产生具有平滑的加减速策略和灵活换道行为的交通流。该模型对原有的IDM模型进行了修正，使其更适合于城市路网。该模型将加速度过程分为自由道路加速项和减速项，加速项描述了驾驶员达到期望速度的意愿，减速项描述了驾驶员与附近车辆保持安全距离的意愿。另外，对于减速项增加了一个激活控制部分，使停车更加平稳。该模型将城市道路变道行为分为自由变道和强制变道两种情况，并为这两种情况提供了一个灵活的连续模型。自由变道行为出现在相对自由的道路条件下，由双车道MOBIL模型建模。强制换道则应用于主车因为一些必要的因素要求的换道行为,如到达车道终端或在十字路口转向,而主车及周边车辆之间的gap不支持自由换道。

LU等人扩展完整的速度差异模型(FVDM) 以处理在农村交通仿真中的close-car-braking情况。并在交通仿真中引入了人格模型。

必须换道的情况

与单车道或多车道的交通仿真相比，交叉口交通仿真难度更大。Doniec等人提出了一种多智能体的交通仿真行为模型，将交叉口交通视为一个多智能体协调任务。具体来说，首先每辆车感知周围的交通情况并做出决策，其次提出了一种预测算法来模拟车辆的预测能力。

Wang等在交通仿真中引入了影子交通的概念，以统一的方式对交通异常进行建模。Chao等人设计了一个基于规则的流程来模拟混合交通仿真中车辆与行人的交互作用。

综上所述，微观交通模型的目的是描述特定的车辆行为，因此可以用来模拟连续车道和十字路口的交通情况。该模型的瓶颈通常是计算成本，尤其是在进行大规模仿真时。

2.3 混合方法

Sewall等人使用基于代理的模型来模拟感兴趣区域的交通，而其余区域使用连续体模型，提出了一种混合方法。通过在两种建模方法之间动态和自动切换，进而可以根据用户偏好来模拟不同详细级别下的交通。

黄框内使用微观agent，其他区域使用宏观flow

2.4 路网生成

交通仿真是车辆与路网相互作用的一种形式。底层道路网络的获取和建模是重要且具有挑战性的。真实世界道路网络的数字表示已经越来越有可用性，但这些数据往往不能直接用于模拟交通。对于道路网络的过程建模和几何表示，已经提出了许多方法：

CityEngine软件，采用基于L-system过程的方法来生成道路网络。它可以以地图图像为输入，生成一组公路和街道，将土地分割成地块，并在相应的地块上为建筑物构建合适的几何形状。在基于CityEngine的路网生成模型的基础上学者还陆续提出了具有更大的灵活性基于模板的路网生成模型，如利用生成对抗网络(GAN)来合成的道路网络模型等。这些方法是为构建虚拟场景而设计的，但它们常常无法为交通仿真提供必要的信息，如车道到车道的连接和邻接。

CityEnginge地图和WilKie地图

交通仿真软件MITSIM使用node，link，segment和lane来描述道路网络的语义。在该模型中，segment表示具有相同几何线的lane集合，link表示segment集合，向量数据存储在segment的数据结构中，所存储的信息包括起始点/结束点和段弧的曲率，一个node用来描述一个交点，这里node必须作为输入数据提供给模型，并且仅用于描述link是否连接，不考虑交叉口各方向link之间的冲突关系。

有人利用真实地理信息系统(real Geographic Information System, GIS)数据建立了一个包含拓扑交通信息、路面和街道对象的连贯的街道网络模型，该系统可以提供车道和车道间的相互连接，以作为交通仿真所需的基本几何信息，然而，他们使用lane作为原子单位来定义和组织道路网络，而忽略了道路网络的矢量数据。值得一提的是，为了方便不同驾驶模拟器之间的数据交换，目前提出了一种开放数据格式OpenDRIVE 来规范逻辑道路描述。

一种新的道路网络模型图能将低细节的GIS数据自动转换为高细节的功能道路网络进行仿真。利用该模型可以生成区域中心拓扑结构和弧路表示。该模型以车道为基础定义交叉口，通过交通信号和预先确定的移动优先级，在模拟中对交叉路口进行管理，生成的道路网络库可以在http://gamma.cs.unc.edu/RoadLib/上找到。该模型激发了更多基于车道的模拟技术，如Mao等在Frenet框架下基于道路轴线的车道模型，以方便复杂的交通仿真。

（编者按：为了方便不同驾驶模拟器之间的数据交换，针对自动驾驶也有专用的道路网络，目前也有专用的道路网络库，相对重要的是OpenDRIVE，相关文章很多，这里不再赘述，使用RoadRunner可以很高效地生成，它还可以配合OpenSCENARIO使用。还有一种开放数据格式是lanelet，在它们之间还有转换库，OpenDrive2Lanelet。）

一般情况下，宏观交通仿真对路网的细节要求较少，主要是需要几何信息，以便对交通流密度和速度的传播进行建模。相比之下，微观交通仿真由于输出单个车辆的详细运动，通常需要更多关于道路网络的信息。这些信息包括车道的分隔和连接、交通信号逻辑、在十字路口和坡道上移动优先级等。

3 数据驱动的交通流仿真

本节中主要探讨真实世界交通数据的获取方法和各种数据驱动的交通重建和合成方法。

3.1 真实数据收集

交通传感器有几种形式：感应环探测器通常被放置在高速公路和主要道路上，记录每辆经过的车辆的属性。摄像机作为另一种固定的传感器也可用于监控交通情况。手机和GPS设备作为移动传感器也被用来记录车辆的速度和位置。

除了单车数据外，许多研究还致力于收集联网车辆的交通数据。例如，2012年在美国密歇根州的安娜堡启动了安全试点模型部署SPMD计划。大约3000辆车辆装备了GPS天线和DSRC(专用短程通信)设备。每辆车都向附近的车辆和路边的单位广播基本的安全信息，包括它的位置和速度。由于这种类型的数据可以在高频率下采样(10hz)，这可能会导致存储和通信系统的巨大成本。

3.2 交通重建和合成

创建符合真实世界交通的数字表征被称为虚拟交通，它由Van Den Berg等人首先提出。他们的工作利用交通传感器提供的时空数据重建和可视化一个连续的交通流。如下图所示，传感器(点A、点B、点C)每隔200-400米放置在道路上。对于某一辆车,传感器提供了一个元组，包含ABC三点的数据, 每个数据点分别包含了车辆通过时间t，车道id，车速v。任务是计算在给定车道上，在给定时间内，以给定速度启动和到达车辆的轨迹。该方法首先离散可能的状态-时间-空间，并约束车辆的运动到预先计算的路线图。然后，在路线图中为每辆车寻找最优轨迹，使换道次数和加减速度最小化，并与其他车辆的距离最大化，以获得平滑、真实的运动。

对于多辆车，采用基于优先级的多机器人路径规划算法来计算车辆的轨迹。但基于优先级的多智能体路由规划算法耗时较长，使得该方法随着搜索空间离散化分辨率的提高而变得难以处理。

从道路中获取的时空数据进行交通重建

Wilkie等人将稀疏传感器测量的宏观状态估计与基于agent的交通仿真系统相结合，引入了一种实时技术来重建单个车辆的真实运动。如下图所示，该方法具有一个交通状态估计阶段，在这个阶段，使用Kalman smoothers (EnKS)和一个连续交通仿真器来创建整个道路网络的速度和密度场的估计。然后利用状态估计来驱动一个基于agent的交通仿真模型，生成各个车辆的详细运动。最后输出与传感器测量的原始交通信号相一致的二维交通流。该方法具有更高的灵活性和更低的计算成本。然而这种估计方法除了个别车辆的匹配外，基本上还是一种宏观模型。

交通流重构算法流程

Li等提出了一种利用GPS数据重建城市尺度交通的方法。为了解决数据覆盖不足的问题，该方法以GIS地图和GPS数据为输入，采用双阶段过程重构城市尺度的交通。在第一阶段，即交通重建过程中，利用统计学习与优化、地图匹配和行程时间估计技术相结合的方法，从稀疏的GPS数据中重建并逐步细化单个路段的交通条件。在第二阶段，即动态数据补全过程中，引入了基于元模型的仿真优化，以有效地细化第一阶段的重建结果，同时引入了一个微观仿真器，在数据覆盖不足的区域动态补全缺失的数据。

上述交通重建技术主要用于预测同一场景下具有稀疏输入数据的完整交通流，而其他数据驱动的交通综合方法则旨在从有限的交通轨迹样本中生成新的交通流。Chao等人利用一组有限的车辆轨迹作为输入样本，通过纹理合成（texture synthesis）和交通行为规则的融合来合成新的车辆轨迹。如下图所示，输入车辆轨迹集包含多种考虑车道数和交通流密度的段，将交通流时空信息作为二维纹理，可以将新交通流的生成表示为纹理合成过程，通过最小化新开发的交通纹理能量度量来解决这一问题。

两车道车辆轨迹的纹理类比

另外一种方法是使用机器学习算法来学习车辆的详细运动特征，包括纵向加减速和换道过程。Chao等人提出了一种基于视频的方法，从交通动画视频中学习驾驶员的具体驾驶特性。该方法将每辆车独特驾驶习惯的估计问题转化为寻找微观驾驶模型的最优参数集的问题，并采用自适应遗传算法求解。Bi等人从车辆轨迹数据中学习变道特性，该方法首先从预先收集的车辆轨迹数据集中提取与换道任务最相关的特征，然后利用所提取的特征对换道决策过程进行建模，并对换道执行过程进行估计。

数据驱动换道模型的pipline示意图。预处理步骤从预采集的交通数据集中提取最相关的特征，然后决策模块推断出目标车辆是否需要变道，以及需要变到哪个目标车道/间隙。最后，执行模块计算所涉及车辆的详细轨迹，以完成变道任务

上述工作的重点是模拟高速公路或大型城市网络上的车辆。最近，Bi等提出了一种基于深度学习的交叉口交通仿真框架。为了描述车-环境相互作用的视觉感知效应，他们建立了一个称为网格地图的网格坐标系统，编码异源之间的车辆与行人混合的相互作用。如下图所示，在网格地图上滑动五个通道的窗口可以为每辆车生成一个环境矩阵。环境矩阵可以捕捉车辆和行人在车辆周围的速度和位置。除了环境矩阵外，基于所收集的交叉口交通数据集的车辆标识还被用来描述当前车辆状态，然后利用卷积神经网络和递归神经网络对交叉口处的车辆轨迹模式进行学习。除了模拟路口交通，它还可以通过提供车辆新的目的地和驾驶环境来改变现有的路口交通动画。

4 验证和评估

一般来说有两种交通真实度评估方法:可视化方法和统计方法。在可视化验证中，将真实交通和模拟交通的图形表示并排显示，以确定它们是否可以区分。但主观的用户研究会耗费大量时间且容易出错，使用定量和客观的度量进行统计验证不仅可以用来测量各种模拟交通流的真实性，还可以用以一致的方式客观地比较不同交通仿真模型的性能。在交通仿真中，由于交通的随机性，通常不进行直接的轨迹比较，而是比较平均速度和流量随时间的变化等，此外，更详细的比如特定的运动参数，包括速度、加速度和车辆间隙也被用来验证交通仿真技术的有效性。

5 在自动驾驶中的应用

本章介绍自动驾驶训练数据收集，基于深度学习的运动规划方法和自动驾驶仿真

5.1 自动驾驶数据集

自动驾驶数据集也可以用于交通仿真和动画。首先，车辆轨迹可以用来校准交通仿真模型。其次，大规模的交通数据集丰富了数据驱动的交通综合方法。最后，各种真实的交通数据集也能对虚拟交通评估提供帮助。

常用的数据集包括comma.ai数据集、Berkeley DeepDrive视频数据集(BDDV)、LiDAR-Video数据集(LiVi-Set) 、本田研究所(Honda Research Institute)的驾驶数据集(HDD)、 Drive360。

其他一些没有驾驶行为的数据集也有助于自动驾驶的视觉语义理解和基于视觉的控制。包括KITTI数据集、Cityscape数据集、牛津RobotCar数据、Udacity 数据集等。

5.2 运动规划与决策 

运动规划和决策对于智能体在其环境中导航至关重要。（编者按：构建更真实的agent模型）这一节将回顾了几种基于学习的自动驾驶车辆和其他智能体的运动规划方法和决策算法。

Lenz等研究了高速公路入口处的车辆运动。利用部分可观测的马尔科夫决策过程(POMDPs)来预测车辆的运动。Kuefler等采用生成式对抗模仿学习(GAIL)学习驾驶行为，该方法克服了级联误差的问题，能够产生真实的驾驶行为。Hecker等人将周围360度视角摄像头的信息整合到路线规划器中。该方法中使用的网络将传感器输出直接映射到低水平驾驶动作，包括转向角和速度。Kim等人引入了一种端到端的、可解释的自动驾驶方法，该方法结合了一个基于内省的解释模型。该模型由两部分组成:第一部分是基于cnn的视觉注意力机制，将图像映射到驾驶行为;第二部分是基于注意力的视频-文本模型，用于对模型动作进行文本解释。Yang等人利用在CARLA和TORCS中收集的虚拟交通数据来预测车辆行为，即DU-drive，如下图所示。

近年来，强化学习也被应用于自动驾驶。Abbeel等人提出了一种有效的算法来协调全局导航和生成车辆轨迹的局部规划之间的权衡。Silver等人提出了一种适合自动导航系统的耦合成本函数，以平衡不同的偏好，包括车辆应该在哪里以及如何驾驶。Lillicrap等人采用深度q-learning实现无模型系统，该系统在模拟驾驶环境中学习引导车辆保持在赛道上的策略。Kuderer等人提出了一种基于特征的反强化学习(IRL)方法来学习自动驾驶的个体驾驶风格。Wolf等人提出了一种深度Q-Networks (Deep Q-Networks, DQN)，用于在三维物理仿真中引导车辆。Pan等人利用新型的现实翻译网络(VISRI)在虚拟环境中训练自动驾驶模型，并将其应用于现实环境中。Liang等人提出了一种通用的可控模仿强化学习(CIRL)方法来缓解大连续动作空间的低探索效率，基于直接从CARLA模拟器输入的视觉信息。

为了在复杂的交通环境中高效、安全地驾驶车辆，自动驾驶汽车需要对周围车辆的运动进行预测。车辆与行人之间的相互作用要准确表达。轨迹预测的任务可以分为几个类别:基于物理、基于行为策略和基于交互的模型。此外，基于深度学习的大量工作已经用于轨迹预测。（编者按：基于轨迹预测方法进行交通建模）

Lee等人提出了一种深层随机IOC RNN编解码器框架DESIRE，用于预测动态场景中代理未来的距离，进而可以生成准确的车辆行驶轨迹。Kim等人提出了一种基于lstm的概率车辆轨迹预测方法，该方法使用占用网格图来表征驾驶环境。Deo和Trivedi采用卷积社会池网络来预测高速公路上的车辆轨迹，整个网络包括LSTM编码器、卷积社会池层和基于操作的解码器。具体来说，它首先使用LSTM编码器基于跟踪历史来学习车辆动力学，然后，使用卷积社会池层捕获所有车辆轨迹的相互依赖关系，最后训练一个基于机动的LSTM解码器来预测未来车辆轨迹的分布

5.3 自动驾驶仿真

现实世界的数据量还不足以覆盖许多复杂的交通场景,这制约了自动驾驶系统学习不同的驾驶策略,更重要的是,无人驾驶汽车出于安全考虑，总是采取最保守、最低效的决策。作为一种有效的替代工具，使用高保真驾驶模拟器的发可以为训练自动驾驶车辆提供各种类型的交通条件。

事实上，从自动驾驶研究的早期开始，仿真就被用于训练驾驶模型。赛车模拟器就被用来评估各种驾驶方法。例如，Chen等使用TORCS来评价感知模型。也有研究人员利用GTAV来推导自动驾驶策略，也获得了与借助手动注释的真实世界图像产生的控制策略相媲美的性能。

CARLA 是一个开源的模拟器，用于支持城市自动驾驶模型的开发、培训和验证。该仿真平台支持传感器套件的灵活设置，并提供可用于训练驾驶策略的数据。这些数据包括GPS坐标、速度、加速/减速和碰撞的等。可以指定范围广泛的环境因素，包括天气和一天中的时间。通过这些设置，CARLA已经被用于研究许多自动驾驶方法的性能，包括经典的模块化方法、通过模仿学习的端到训练模型，以及通过强化学习的端到端训练模型。

Best等人也提出了一种用于自动驾驶数据生成和驾驶策略测试的高保真仿真平台autonova-sim。autonova-sim是一组高级可扩展模块。与CARLA类似，它还支持车辆传感器系统的特定配置、时间和天气条件的变化，以及非车辆参与者(如骑自行车者和行人)。

此外，最近的几个项目试图建立仿真平台来训练端到端驾驶系统，并为自动驾驶测试提供丰富的虚拟交通场景。例如，Apollo 整合了大量来自实际交通和虚拟交通的驾驶数据。这其中一个局限性是，虚拟交通数据是用特定的、定义明确的障碍物和交通信号手动创建的，与真实的交通状况相比，这些数据的真实性和复杂性不高。

最近，Li等开发了一个仿真框架AADS，它可以用模拟的交通流增强真实图像，从而生成具有真实感的图像。利用激光雷达和摄像机的数据，该框架可以根据车辆的实际行驶轨迹，将模拟的交通流合成到背景中。复合图像可以被修改为不同的视点，并进行充分的注释，可以用于自动驾驶系统的开发和测试。该框架旨在克服人工开发虚拟环境的成本较高和使用虚拟图像训练自动驾驶时可能的车辆性能下降问题。

Li等人开发的另一个框架ADAPS从事故中获取相关自动驾驶数据。该框架由两个仿真平台组成。第一个仿真平台以3D方式运行，用于测试所学习的策略和模拟事故;第二个仿真平台运行在2D中，用于分析第一个仿真平台中发生的事故，并通过提供备用安全轨迹来解决事故。然后根据安全轨迹生成大量带注释的数据，用于训练和更新控制策略。与以前的技术(如DAGGER )相比，ADAPS还代表了一种更有效的在线学习机制，可以极大地减少生成健壮控制策略所需的迭代次数。

6 讨论

首先，交通仿真模型应该能够对尽可能多的复杂交通行为进行建模，同时保持计算效率。然而，对于现有的微观交通模型，车辆的每一个行为，如加速/减速和换道，都是单独建模和控制的。此外，微观交通模型更多地关注车辆在前进方向上的运动，换道行为和车辆横向运动一般被忽略。此外，根据车辆跟驰规律，车辆的运动主要受前车的影响，因此得到的仿真结果很少涉及视场中其他车辆的加减速计算。为了模拟更真实的交通流，需要开发一个统一的、可扩展的仿真框架，用于丰富的车辆行为，包括加速/减速、停留在车道内、变道以及与非车辆交通参与者(如行人和骑自行车者)的交互。

第三，对于虚拟交通保真度的评估，基于字典的度量提供了一个可行的解决方案。然而，交通数据的质量和组成对生成的字典有直接和实质性的影响，从而影响评价结果。此外，该框架提取出每辆车的加速度、速度、相对速度和与前车的间隙距离来描述车辆的瞬时状态，为了更好地捕获交通模式进行字典学习，还应该考虑和提取交通流的更多特征，包括车辆运动学约束、道路约束和驾驶员特征。对于宏观的交通仿真，有必要开发保真度指标，以一种聚集的方式测量交通流，包括流密度和速度。

最后，对于自动驾驶来说，解决自动驾驶车辆和其他道路使用者之间的交互仍然是一个挑战。现有的仿真器较少考虑双方的相互作用。举例来说，在Apollo仿真平台中实现了两种类型的非车辆交通参与者:行人和骑自行车的人。然而，这些非车辆代理的行为是预先定义的，因此它们不能实时地对车辆做出反应。虽然在CARLA 中引入了动态行人，但是车辆与行人之间的交互是以一种简单的预先指定的方式进行处理:行人在移动之前会查看附近是否有车辆，然后在没有进一步检查的情况下继续移动，这种交互模式还过于简单，需要再深入研究。