1. 駛向 Vision Zero 的無人駕駛
據世界衛生組織最新資料顯示，每年約有 135 萬人由於道路交通事故而死亡，其中超過 90% 的交通事故是人為因素造成的[1]。而無人駕駛從不醉酒、分心或是疲勞，這些因素分別佔所有致命事故起因的 41%、10% 和 2.5%。生命可貴，是任何其它社會利益都無法交換的，這也是 Vision Zero（無人傷亡的全球性道路交通安全專案）的核心原則[2]，而無人駕駛是實現 Vision Zero 的重要途徑。
全球道路交通傷害[1]。
2. 多少里程可以驗證安全？
然而無人駕駛也面臨著許多挑戰，比如惡劣的天氣、複雜的交通環境等等，因此在某些場景下的表現可能無法匹敵人類駕駛員，甚至存在新的更加嚴重的事故風險（如網路攻擊）。那麼無人駕駛到底如何才能證實其安全性？
著名戰略諮詢公司蘭德就無人駕駛的安全可靠性及所需路測里程進行了統計分析[3]，其分析報告顯示，在 95% 的置信度下，無人駕駛系統需要進行約 50 億英里的路測才可證明其事故率顯著小於人類駕駛員，也就是 100 輛車在全天 24 小時、全年 365 天及平均車速為 25 英里每小時的情況下，需要測試約 225 年！
95% 置信度下所需路測里程[3]。
3. 模擬是第一生產力
模擬在無人駕駛的開發測試及評價過程中是必不可少的。在 2016 年 Waymo 在其模擬系統 Carcraft 的測試里程已突破 25 億英里，每天測試里程可以達到 800 萬英里，而全年實際路測里程僅 300 萬英里[4,5]。Waymo 的 CEO 曾對外宣稱，Waymo 無人駕駛系統 80% 的改進都來自其模擬系統 Carcraft。
“長遠來看，我們做無人車的單位必須要堅持一件事，模擬環境必須佔到絕大部分發展過程。99% 安全驗證應該是在模擬環境情況下做出來的，0.9% 左右應該在 TestTrack 做，最後少部分在公共交通道路來做”，密歇根大學 MCity 移動出行中心主任彭暉教授在 2018 國際汽車智慧共享出行大會如是分享[6]，基於計算機模擬技術對自動駕駛系統進行虛擬測試與評價已經成為行業普遍共識[7]。
具體來說，無人駕駛模擬系統由虛擬場景與無人駕駛車輛組成 [8]，其中無人駕駛車輛包括車輛模型、動力學模型、感測器模型，而虛擬場景則可以進一步分為動態與靜態層次，路網（Layer 1）、交通設施（Layer 2）屬於靜態層，交通管控造成的道路或交通設施的臨時性改變（Layer 3）、交通流（Layer 4）、環境條件（Layer 5）均屬於動態層。
路網指車道級的道路資訊，交通設施為實現交通管理、安全防護的道路基本設施，如交通標誌、防護柵欄等。第三層則為臨時性交通管理與控制，如車道臨時封閉、改變限速等。第四層交通流是指道路上連續行駛形成的車流，古有“車水馬龍” 之說，車如流水，馬如游龍，也正是交通流的含義。最後一層環境條件則是天氣等自然環境。
虛擬場景的五個層次[9]。
4. 什麼是交通流模擬？
交通流是動態層中最為複雜多變的要素，但是現有的虛擬測試工具（開源如百度的 Apollo，Intel 的 CARLA，微軟的 AirSim；其它如 PreScan，VTD）都缺乏高逼真度交通流場景模擬能力，因此無法滿足高等級自動駕駛測試需求。而無人駕駛模擬中的交通流模擬目前其實是微觀交通流模擬，主要研究每個車輛 - 駕駛員單元的行為互動，相應的宏觀層面則將交通流視作由大量車輛組成的可壓縮連續流體介質，關注如車流平均速度以及平均密度等的集計屬性。
在交通工程領域，微觀交通流理論的研究由來已久，從 20 世紀 50 年代起開始湧現以跟馳模型為核心的眾多微觀行為模型[10]。而利用微觀交通流理論構造的微觀交通流模擬一直以來都是交通系統評價、改善的利器，如交叉口進口道渠化方案評價、訊號燈配時改善等等。
交叉口訊號燈配時方案的模擬場景[11]。
而現在，微觀交通流模擬作為無人駕駛模擬中重要的一環，透過系統性地構造多樣的交通場景從而滿足測試需求。這裡作為交通工程師非常欣慰的一點是，交通流模擬不再侷限於傳統的交通工程中，漸漸走進自動駕駛領域，開始煥發出新的活力，相互交融碰撞的未來值得大家一同探索。
5. 交通流模擬的新進展
新的交融也帶來新的改變，在傳統交通工程領域中，微觀交通流模擬的本質在於駕駛行為建模，透過機理解讀，剖析人類駕駛行為並建立解析模型，而隨著人工智慧的發展，眾多機器學習方法也逐漸得到應用，如透過擬合真實駕駛資料學習人類駕駛行為或是透過強化學習得到最優駕駛策略，但不論是機理型解析模型還是機器學習模型，原有的微觀交通流模擬總體而言都是由內而外的，因為真實交通場景（表現為交通參與者的軌跡）是最外層可觀察到的現象，而產生不同交通場景的本質就是異質的駕駛行為，因此從駕駛行為的解析到交通流場景是自然的發展。
相對而言，新興出現的資料導向的方法則是選擇了直接再現可觀察的現象，即透過各類感測器採集真實交通場景，經處理後匯入模擬場景中；同時基於真實資料的泛化構建更多的交通場景[7]。Waymo 在其安全報告中也提到一種模糊化的方法，即合理地更改真實場景的某些資料特徵，泛化生成新的場景[12]。
Carcraft 中再現的真實交通場景[4]。
模糊化泛化生成新的交通場景[4]。
針對新興的資料驅動的再現及泛化交通場景的方法，其最大的缺點是每一個場景都是固定的一組資料，因此無法與無人駕駛車輛進行互動，從而大大降低了測試的真實性和有效性。其次，僅僅作為資料集來看待的交通場景缺乏物理意義，比如，你很難回答到底需要怎樣的場景資料，為什麼，而這對於系統性地測試和驗證都至關重要。
同時泛化的特徵是否為核心屬性並存在相應物理意義，是否符合真實的統計分佈，泛化得到的資料是否合理，比如單車的軌跡擾動有時會造成整個交通流的失穩，而簡單地遍歷資料特徵無法重現此現象。歸根結底，僅僅透過流於表面的資料處理無法構建有效的交通流場景，我們需要透過現象看本質，理解交通流中每個車輛單元的駕駛行為。
6. 迴歸機理的核心模型
在交通工程領域的微觀交通流模型中，交通流被視為由大量車輛組成的複雜自驅動粒子系統。以單個車輛為研究物件，建立車輛運動規律及相互作用模型，主要包括縱向的跟馳模型和橫向的換道模型。
跟馳行為是最基本的微觀駕駛行為，描述了在限制超車的單車道上行駛車隊中相鄰兩車之間的相互作用。跟馳模型是研究前車運動狀態變化所引起跟馳車的相應行為[13]。
跟馳行為，圖源：https://pbs.twimg.com/media/DVuWGxZU0AErtsM.jpg:large
按照現有的分類方式，跟馳模型分為交通工程學和心理生理學兩大類，或者是交通工程和統計物理兩大類，雖然分類方法有所差異，但是所指的模型均為過去六十多年跟馳行為建模研究中的典型模型[13]。其中主要包括汽車領域中實際應用的 ACC 中的模型，交通領域中的刺激反應類、心理生理類模型以及人工智慧類模型等，如下表所示：
換道模型是微觀交通流理論中的另一核心模型[14]，可分為強制換道和自由換道：強制換道是指車輛為了完成其正常行駛目的而必須採取的換道行為，自由換道是指為了追求更快的車速、更自由的駕駛空間而發生的車道變換行為。兩類換道行為均可拆解為四個步驟：動機產生，車道選擇，間隙選擇，換道執行。
換道行為，圖源：https://mylearners.vic.gov.au/Stages/Stage3/LD-Changing-lanes
動機產生：每一車輛都有期望車速，即在不受其它車輛約束的情況下駕駛員所希望達到的最大車速。期望車速與車輛機械效能、駕駛員特性、道路的限速措施等有關。當車輛在當前車道行駛時，由於受到前方慢車的影響而使其車速低於其期望車速的一定數值範圍內，則車輛會產生任意性的車道變換意圖。而強制性換道的動機則由車輛行駛路徑與車道功能的不匹配產生，如右轉需要進入右轉專用道，因此車輛必須換道進入該專用道進行右轉。
車道選擇：對於自由性換道，考慮備選期望車道的平均車速、前車間距等建立效用模型，選擇效用大的一側車道進行換道。對於強制性換道，車輛會向著距離目標車道更近的車道換道。
間隙選擇：判斷目標車道的前後換道間隙是否滿足可接受間隙，可接受間隙隱含了接受後車一定程度減速的意願。此可接受間隙一般認為與目標車道前後車的速度差，與強制換道臨界點的距離相關。
換道執行：學術界研究較少，一般首先考慮本車速度與車長確定換道長度，再規劃平滑的軌跡曲線，如五次多項式或貝賽爾曲線。
7. 可用平臺？支援國產！
現有的微觀交通流模擬平臺多為傳統交通工程領域內的專業軟體，其發展可追溯到 20 世紀末，隨著我國快速的城鎮化、機動化程式，各大城市相繼出現嚴重擁堵問題，對城市交通改善方案的精準評估需求催生了大量模擬分析需求，國外微觀交通模擬軟體開始湧入中國市場。下面介紹三個典型的專業模擬軟體，分別是德國的 Vissim，SUMO 以及中國的 TESS NG。
VISSIM：PTV 集團（保時捷汽車控股公司於 2017 年收購）下的成熟商業微觀交通流模擬軟體，於 1979 年成立，用於開發歐洲交通模型[15]。Windows 平臺，支援二次開發，模型較完備，可信度較高[16–18]。費用昂貴（十萬起[19]），相關論壇及教程較少。
連結：https://www.ptvgroup.com/en/solutions/products/ptv-vissim/
SUMO：由德國航空航天中心下屬的交通系統研究所開發，開源交通流模擬軟體，支援跨平臺開發[20]。模型不夠完善，如缺少非機動車專用模型[21]，因此可信度存疑。
連結：https://sumo.dlr.de/docs/index.html
TESS NG：同濟大學孫劍教授課題組於 2006 年開始針對中國混合交通流執行特徵開展了 100 多項模型創新和模擬系統應用實踐[22]，歷經十數年開發的國產微觀交通模擬軟體，Windows 平臺，適應中國高密度、多衝突的交通流環境，模型較完備[23]，可信度較高[24]，開放外部介面模組呼叫並提供定製化使用者服務。
連結：https://www.jidatraffic.com/tessng/
總結
無人駕駛的可靠性需要 100 輛車全年無休地路測 225 年才得以證明[3]，而這幾乎是不可能實現的，因此藉助計算機模擬技術對無人駕駛系統進行虛擬測試與評價已成為行業普遍共識。其中微觀交通流模擬是構造合理有效的模擬場景的關鍵技術，在交通工程的觀點中，核心模型為機理解析型的跟馳與換道模型。然而現有的無人駕駛模擬平臺都缺乏高逼真度交通流場景模擬能力，因此引入三個交通領域典型的微觀交通流模擬軟體：德國的 VISSIM, SUMO 和中國的 TESS NG，期待壯大的國產無人駕駛模擬與交通流模擬平臺！
參考文獻：
[1]世界衛生組織. 道路交通傷害. https://www.who.int/zh/news-room/fact-sheets/detail/road-traffic-injuries.
[2]Vision Zero - Wikipedia. https://en.wikipedia.org/wiki/Vision_Zero.
[3]KALRA N, PADDOCK S. Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability?[M]//Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability? RAND Corporation, 2016. DOI:10.7249/rr1478.
[4]Waypoint - The official Waymo blog: How simulation turns one flashing yellow light into thousands of hours of experience. https://blog.waymo.com/2019/08/how-simulation-turns-one-flashing.html.
[5]Inside Waymo’s Secret World for Training Self-Driving Cars - The Atlantic. https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/.
[6]美國密歇根大學 Mcity 研究中心主任 / 教授彭暉：自動化車輛——當前狀態，未來趨勢以及我們在 M-city 所做的工作——2018 國際汽車只能共享出行大會速記_智慧互聯_汽車媒體_中國汽車縱橫網. http://www.autochinazh.com/news/201811269574.html.
[7]中國首部自動駕駛模擬藍皮書重磅釋出！汽車工業原創科技已經崛起. https://mp.weixin.qq.com/s?__biz=MzAwOTMxOTc2NQ==&mid=2650589391&idx=1&sn=83de1f089530ca37998ec3e305a2856f&chksm=83690cf5b41e85e312a33430e945ed11538d8702356ecfa93039f19e7fac0ddbf03143a9f19e&mpshare=1&scene=24&srcid=#rd.
[8]ELROFAI H, PAARDEKOOPER J P, GELDER E de 等. StreetWise: scenario-based safety validation of connected automated driving[J]. 2018. TNO, 2018.
[9]FRAADE-BLANAR L, BLUMENTHAL M, ANDERSON J 等. Measuring Automated Vehicle Safety: Forging a Framework[M]//Measuring Automated Vehicle Safety: Forging a Framework. RAND Corporation, 2018. DOI:10.7249/rr2662.
[10]VAN WAGENINGEN-KESSELS F, VAN LINT H, VUIK K 等. Genealogy of traffic flow models[J]. EURO Journal on Transportation and Logistics, 2015, 4(4): 445–473. DOI:10.1007/s13676-014-0045-5.
[11]Junction Geometry. http://vision-traffic.ptvgroup.com/en-us/products/ptv-vissim/use-cases/junction-geometry/.
[12]Safety Report – Waymo. https://waymo.com/safety/.
[13]BRACKSTONE M, MCDONALD M. Car-following: A historical review[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 1999, 2(4): 181–196. DOI:10.1016/S1369-8478(00)00005-X.
[14]ZHENG Z. Recent developments and research needs in modeling lane changing[J]. Transportation Research Part B: Methodological, 2014, 60: 16–32. DOI:10.1016/j.trb.2013.11.009.
[15]PTV VISSIM - Wikipedia. https://en.wikipedia.org/wiki/PTV_VISSIM.
[16]Professional Traffic Simulation Software | PTV Group. https://www.ptvgroup.com/en/solutions/products/ptv-vissim/why-ptv-vissim/.
[17]Detailed Traffic Simulation Software | PTV Group. https://www.ptvgroup.com/en/solutions/products/ptv-vissim/.
[18]Software for multimodal traffic simulation: PTV Vissim. https://www.ptvgroup.com/en-us/solutions/products/ptv-vissim/.
[19]PTV-VISSIM - 軟體下載, 正版軟體購買，軟體試用，軟體功能介紹，軟體評價—軟服之家. https://www.ruanfujia.com/software/67392/.
[20]SUMO Documentation. https://sumo.dlr.de/docs/index.html.
[21]Simulation/Bicycles - SUMO Documentation. https://sumo.dlr.de/docs/Simulation/Bicycles.html.
[22]TOPS_交通執行與模擬課題組. http://202.120.167.6/.
[23]論文專著_科學研究_TOPS 課題組. https://tops.tongji.edu.cn/research/publications.
[24]系統研發_工程實踐_TOPS 課題組. https://tops.tongji.edu.cn/practice/systems.
[25]歡迎使用 TESS NG - 濟達交通. https://jidatraffic.com/tessng/.
作者介紹：
張小卉，同濟大學交通工程研究生在讀，她的研究興趣在於駕駛行為、強化學習在自動駕駛中的應用以及交通領域的其他人工智慧應用。