融合數字孿生的自動駕駛場景仿真模型構建研究綜述

葉少檳，梁恩云，高 琛，譚北海

（廣東工業大學自動化學院，廣州 510006）

0 引言

隨著計算機的計算力和神經網絡技術的不斷發展，自動駕駛已經成為人工智能領域中的重要應用，通過自動駕駛技術能夠降低交通事故發生的概率，保障人們的行車安全。在自動駕駛技術應用到實車之前必須經過驗證，而驗證材料作為自動駕駛系統的輸入需要海量的場景才能夠保證駕駛系統的穩定性，在特殊場景下也要能夠保證系統的穩定性和駕駛的安全性，因此，在實際道路測試中想使用更加精準的自動駕駛算法是有限制的，不管是時間還是成本都成了一大阻力，所以說自動駕駛的測試場景庫目前受到了極大的限制。有專家稱自動駕駛算法的準確計算離不開大量的駕駛數據來訓練，需要高達170多億km的數據量，這也就說明如果一輛車一天內以40 km/h的速度行駛，并且一天測試100輛自動駕駛的測試用汽車，那么也需要500年以上的時間才可以完成170多億km的路程。此外，實際駕駛時遇到的各種危險和意外是必須被重視的，但非常遺憾的是，自動駕駛測試場景里很難去模擬這些危險和意外的場景，測試者很難解決自動駕駛安全問題。而且通過這種實際道路測試的方式要找到導致自動駕駛功能失效的各種缺點從成本、效率來看面臨著投入大、周期長的缺點。為了解決這個問題，可以通過數字孿生構建場景模型的方式去構建虛擬的仿真場景，這種方式在測試內容、測試效率和測試成本都擁有巨大的優勢。

在世界范圍內，許多國家對自動駕駛及其相關功能有不同的政策策略和監管重點。西方國家認為，在未來的發展中，交通會越來越自動化，越來越智能，但是這種智能交通系統具體的戰略還沒有人能給出來。不過目前，世界大國美國是具有優勢的，其智能汽車的工業產鏈比較全，美國高端的國際企業和研究所可以生產出需要的芯片、集成芯片、需要的電子設備、電信運營、模擬場景測試、自動駕駛算法等。同樣的，日本政府也加大力度研究自動駕駛技術，在日本政府的觀念中，加快研究自動駕駛的研究還得需要一個國家級別的場景庫，由此可見日本在自動駕駛技術研究上花了大量的時間精力。而且都是本地和國際的尖端企業和研究機構。日本政府認為加快L3和L4級自動駕駛汽車的研發需要一個國家場景庫來幫助日本引領國際話語權。如今，世界各國進行了大范圍的跨域合作。比如，西方各國加大了合作，實現成果共享，而美國日本也成為跨國聯盟。我國作為近幾十年高速發展的國家，盡管在自動駕駛技術上有了不斷的進步、不斷的創新，自動駕駛測試行業如雨后春筍，規模快速發展擴大，但是還是存在一些問題。

中國擁有世界上最大的汽車市場，強大的信息和通信產業，計算機科學人才基礎雄厚。積極擴大合作和產業聯盟，有利于順應國際合作潮流。隨著自動駕駛汽車技術的發展，世界各國都制定了相應的自主駕駛戰略指南。駕駛系統安全是當前國際法規關注的焦點。因此從安全和效益以及加速自動駕駛產業發展的角度來看，基于數字孿生的自動駕駛場景仿真模型構建是非常重要的。

1 自動駕駛仿真和數字孿生

1.1 自動駕駛仿真技術介紹

自動駕駛仿真技術的基本原理是在仿真場景中將真實控制器控制車輛轉化為算法控制車輛，并結合傳感器仿真等技術完成算法的測試與驗證。無論是環境感知技術，還是車輛控制技術，自動駕駛的支持都需要大量的算法，而算法的研發是一個不斷迭代的過程，算法條件還不成熟，為了輔助自動駕駛的功能和性能的發展，我們必須遵循從純模型仿真、封閉空間的硬件在環仿真和道路測試，最終走向開放場地和道路測試的發展過程。這一過程也越來越得到業界的認可。

在汽車數字仿真測試環境中，交通仿真模型是對無限豐富的駕駛環境的高質量、有效映射，能夠高效、真實、全面地反映駕駛環境對智能駕駛功能和駕駛任務性能的深刻影響。危險復雜的場景條件直接影響甚至決定了被測智能駕駛車輛的駕駛安全性能。自動駕駛仿真的模型必須盡可能地符合真實。利用數學建模對真實世界進行信息數字化還原，是駕駛場景仿真系統分析和研究的關鍵問題。建立正確、可靠、有效的仿真模型能保證仿真結果更加具有說服力和實用性。對于自動駕駛仿真系統，近幾年的研究熱點是研究需要對什么模塊進行數學建模以及對現實世界進行精準建模。需求來源于自動駕駛的工作原理本身，回顧自動駕駛汽車控制架構，目前，業內普遍認為，自動駕駛汽車配備了先進的車載傳感器、控制器和數據處理器、執行器等設備，借助汽車互聯網等現代移動通信和網絡技術，5G和V2X實現交通參與者之間的信息交換和共享。因此，它具有復雜駕駛環境下的傳感、決策、規劃、控制和執行功能。駕駛系統基于環境感知技術感知車輛周圍環境，并根據感知得到的信息，通過車輛中央計算機自主控制車輛的轉向和速度，使車輛能夠安全可靠地行駛并到達預定目的地。

1.2 駕駛場景仿真模型的要素

駕駛場景仿真模型可以分成車輛動力學模型、智能駕駛員模型和外部環境模型，而外部環境模型可以分為靜態場景的還原和動態場景的構建。

車輛動力學模型是以多體動力學模型為基礎，包括車輛懸架系統、轉向系統、制動系統、動力總成系統、車輛動力學系統、硬件IO接口等車輛模型的真實部分。將Wire控制轉向系統和智能駕駛系統集成到大型通用的仿真試驗系統中，在系統接收和自動駕駛仿真系統控制模塊給出控制信號時，主要包括油門剎車舵機等,更新車輛位置和姿態的汽車底盤參數,輸出各個模塊的自動駕駛控制信號，模擬車輛的整體行為。此外，在測試L2 L3也可以連接到每個模塊的車輛的內部模塊，直接控制模塊比如轉向、動力傳動和制動。目前，專業的車輛動力學仿真軟件是CarSim等軟件，駕駛系統的仿真平臺可以通過成熟的車輛動力學模型進行測試，以此獲得更加真實的控制效果。當然，許多仿真平臺都在自行開發車輛動力學模型。例如，騰訊科技深圳有限公司的自動駕駛仿真平臺TAD Sim，支持27自由度的車輛動力學模型，也支持接入CarSim等業內頂尖的車輛動力學模型。

靜態場景構建的作用是還原出場景中與車輛行駛相關的靜態元素，例如道路（包括材質、車道線、減速帶等）；靜態交通元素（包括交通標志、路燈、車站、隧道、周圍建筑等）。最常用的手段是基于高精度地圖及三維重建技術完成場景的構建，或者基于增強現實的方法來構建場景。基于高精度地圖及三維重建技術構建場景，首先需要采集點云、全景圖、測繪矢量等非結構化的測繪數據，并將測繪數據結構化，構建厘米級的高精度地圖，其中包含路面、道路標線、交通標識等信息，之后以此為基礎，使用三維建模軟件建立基礎設施與周邊環境的可視化數字模型。而且由于騰訊完成了對全國高速和快速路的高精度地圖采集，所以TAD Sim天然支持全國高速、快速路的自動駕駛仿真測試。

廣義動態場景要素包括動態指示設施、通信環境信息、交通參與者（包括機動車行為、非機動車行為、行人行為等）、氣象變化（如雨、雪、霧等天氣狀況）等動態環境要素，時間變化（主要是光照在不同時間的變化）。

在靜態場景的基礎上構建動態場景，再現現場的動態元素，使這些元素的作用及其嚴格遵循現實世界的物理規律和行為邏輯的影響，在技術層面上游戲（游戲渲染，物理引擎，代理人工智能等）有一個非常重要的作用。首先，使用渲染引擎的渲染能力可以為模擬駕駛場景的場景提供非常逼真的渲染的光影效果，以及風、霜、雨、雪等天氣條件的變化。

1.3 駕駛場景仿真模型的測試

仿真是在計算機或實體上建立系統的有效模型并在模型上進行系統實驗的過程。按照系統論的觀點,模型是一個系統（實體、現象、過程）的物理的、數學的或其他邏輯的表現形式。仿真模型是建模者對建模對象為滿足仿真應用需求而建立的，以計算機語言、實體模型的物理實現等形式給出的描述。仿真實驗和結果不可能完全、準確地反映真實系統的性能。駕駛場景仿真測試作為一種多功能、復雜的仿真系統，也面臨著同樣的問題。在數學建模領域，仿真系統的可以信任程度可以通過對仿真系統的校驗和驗證來衡量，并通過驗證進行形式化的驗證，可以服務于特定的應用目的。這個過程就是對仿真系統的校核、驗證和驗收（VV&A）。

校核是確定仿真系統準確地代表了開發者的概念描述和設計的過程。驗證是從仿真系統應用目的出發。確定仿真系統代表真實世界的正確程度的過程。驗收是官方地正式地接受仿真系統為專門的應用目的服務的過程。

對于仿真模型應該滿足三個條件，包括：（1）仿真模型和被仿真對象之間具有相似關系，可以保證兩者之間的類比性。

（2）仿真模型在某些方面能夠代替真實對象，并具有代表性。

（3）仿真模型應該能夠推導出真實對象的一些準確信息，如汽車模型能夠在駕駛臨危場景中產出場景中的相關信息。

關于駕駛場景仿真模型的驗證和精度評估，可以把駕駛場景仿真模型拆解為以下幾個方面進行分析：

（1）對于高精度地圖的搭建可以通過判斷地圖的精度來驗證，對組合導航數據解算精度，點云數據生成精度，數據采集精度。

（2）對于動態場景仿真通常將道路實際路采數據與構建的動態場景從主觀感受包括交通參與者，天氣，道路氣候等多方面對比，結果與現實越接近說明效果越好。

（3）對于車輛動力學的仿真是汽車行業成熟的板塊，為了描述真實汽車的耐久的性能，需要建立符合客觀規律的實際汽車動力學模型，它包括了前懸掛模型、后懸掛模型、轉向系模型和輪胎模型等。利用目標車的實車平順性和操作的穩定性來判斷汽車模型是否滿足要求。

1.4 數字孿生概念介紹和發展

數字孿生（DT）的定義是物理系統（物理孿生）的數字化表示，能夠模擬運行系統的整個生命周期并與物理孿生進行同步的映射。數字孿生的概念最早是在2010年NASA的空間技術路線圖中引入的，目的是使用數字孿生來實現飛行系統的全面診斷和預測能力，以確保系統在整個生命周期中持續安全運行。美國國家航空航天局和美國空軍聯合提出了未來飛機數字化的例子，并將數字孿生定義為基于飛機可用高保真度的集成物理場、多尺度、概率仿真過程，利用傳感器的歷史數據和物理模型實時更新數據構建完整的虛擬模型映射，描述和反映物理系統的整個生命周期，對設備健康狀況進行評估、對設備剩余壽命和任務完成度的與預測。2011年，美國的空中軍隊研究實驗室（AFRI）引入數字孿生技術并用于飛機結構壽命預測，并逐步擴展到機身狀態評估研究，通過建立包括材料、制造信息等規格控制，為了評估最大允許載荷，以確保適航和安全，從而減少全壽命周期的維修負擔，增加飛機的可用性。AFRL還確定了實現機身數字孿生的主要技術挑戰。基于上述數字孿生概念和框架，國外一些研究機構進行了相關關鍵技術的探索。例如，范德堡大學（Vanderbilt University）構建了一個動態貝葉斯網絡，用于計算機健康監測數字孿生，以預測裂紋增長的概率。

隨著信息化技術和設備計算力的不斷發展，數字孿生技術發展迅速，現在數字李生是指在信息化平臺內建立、模擬一個物理實體、流程或者系統。借助于數字孿生,可以在信息化平臺上了解物理實體的狀態并對虛擬實體的狀態做出改變預測結果。

1.5 數字孿生技術的應用

1.5.1 制造業

數字孿生應用最廣泛的領域是制造業。制造業依賴于產生大量數據的高成本設備，這有助于創建數字孿生。數字孿生在制造業中的應用如下：

（1）產品開發。數字孿生可以幫助工程師在發布之前測試即將推出的產品的可行性。根據測試結果，工程師開始生產或將注意力轉移到創建可行的產品上。

（2）設計定制。借助數字孿生，企業可以設計產品的各種排列組合，以便為客戶提供個性化的產品和服務。

（3）車間性能改進。數字孿生可用于監控和分析最終產品，并幫助工程師查看哪些產品存在缺陷或性能低于預期。

（4）預測性維護。制造商利用數字雙胞胎來預測機器的潛在停機時間，以便企業最大限度地減少非增值維護活動并提高機器的整體效率，因為技術人員會在故障發生之前采取行動。但是，將數字孿生用于預測性維護任務是不可擴展的，因為它是特定于機器的虛擬副本，并且需要昂貴的數據科學人才來構建和維護孿生。

1.5.2 航天

在數字孿生（digital twin）提出之前，物理孿生（phisical twin）用于航空航天工程。一個例子是1970年代的阿波羅13號計劃，地球上的NASA科學家通過孿生體能夠模擬飛船的狀況，并在出現關鍵問題時找到答案。2002年，美國宇航局的約翰·維克斯（John Vickers）引入了數字孿生概念。

借助數字孿生技術，工程師可以使用預測分析來預見未來涉及機身、發動機或其他組件的任何問題，以確保機上人員的安全。

1.5.3 汽車

開發新車大多發生在虛擬環境中。數字孿生用于汽車行業以創建聯網車輛的虛擬模型。汽車公司甚至在生產開始之前就使用該技術設計理想的汽車產品，他們模擬和分析生產階段以及車輛上路后可能出現的問題。

盡管數字孿生實踐可用于傳統汽車制造行業，但數字孿生對于自動駕駛汽車公司來說非常方便。自動駕駛汽車包含大量傳感器，用于收集有關車輛本身和汽車環境的數據。由于圍繞自動駕駛汽車的責任問題，創建汽車的數字孿生并測試汽車的各個方面有助于公司確保將意外損壞和傷害降至最低。數字孿生在汽車行業的一些應用是道路測試和車輛維護。

1.5.4 衛生保健

數字孿生可以幫助醫療保健提供者虛擬化醫療保健體驗，以優化患者護理、成本和性能。對于醫療保健，用例可以分為兩組：

提高醫療保健運營的運營效率，創建醫院、和護理模式的數字孿生有助于醫療保健提供者檢查提供者自身組織的運營績效。

改善個性化護理，醫療保健提供商和制藥公司還可以使用數字孿生模型對患者的基因組代碼、生理特征和生活方式進行建模，以便醫療保健公司可以為每位患者提供個性化的護理，例如獨特的藥物。

1.5.5 供應鏈

數字孿生也廣泛用于供應鏈/物流行業。這些應用場景分別是

預測包裝材料的性能，產品包裝可以虛擬化，然后在包裝前測試錯誤。數字孿生幫助物流公司確定材料可行性。

加強貨件保護，物流公司可以借助數字孿生分析不同的包裝條件如何影響產品交付。

優化倉庫設計和運營績效，數字孿生使物流公司能夠測試倉庫布局，以便公司可以選擇最有效的倉庫設計以最大限度地提高運營績效。

打造物流網絡，道路網絡的數字孿生承載有關交通狀況、道路布局和施工的信息。有了這些知識，物流公司就可以設計配送路線和庫存存儲位置。

2 交通仿真工具

2.1 仿真軟件的現狀

在過去的幾十年里，微觀模擬模型的復雜性得到了迅速的發展，在交通工程和規劃實踐中也得到了廣泛的應用。20世紀90年代中期的模型所需要的投入是昂貴的，而且不夠準確，不能反映各種交通行為。通過引進先進的交通控制和信息系統的新技術，下一代仿真模型豐富的數據來源，可以用來降低收集所需數據的成本，并提高其保真度。

自20世紀60年代以來，國內外交通業界在微觀交通仿真領域進行卓有成效的研究工作,開發了幾十種微觀交通仿真模型和多種交通仿真軟件。系統隨著ADAS和自動駕駛技術的發展，仿真軟件也經歷了幾個發展階段。早期的仿真軟件主要集中在車輛本身，主要是動力學仿真，用于模擬車輛在開發過程中的動力、穩定性、制動等，如CarSim。隨著ADAS各種功能的開發，諸如Prescan等仿真軟件開始出現，通過提供簡單的道路環境、可編輯的車輛和行人模型以及簡單、完美的傳感器模型來輔助ADAS的開發。此時仿真軟件一般在單機上運行，主要側重于功能的驗證，對場景和傳感器的真實性要求不高。隨著以Waymo為代表的以L4自主駕駛為目標的一系列創業公司的建立和突破，Waymo自建的Carcraft仿真環境在補充實際道路測試中的重要作用越來越被大家所認可。

現在的自動駕駛仿真系統的構成已經很復雜，各個仿真軟件都有各自的優勢和研發的重點，搭建一個完整的仿真系統也越來越需要多個軟件互相之間的配合。典型的自動駕駛仿真平臺要包括：

（1）道路環境模塊。可以通過真實路網或者高精度地圖搭建。

（2）交通模塊。可以通過路采數據或者基于規則的交通模型生成。

（3）傳感器模塊。包括攝像頭，毫米波雷達，GPS，激光雷達，超聲波雷達。

（4）車輛模塊。通過車輛動力學模型，可以根據ADAS或者自動駕駛系統的輸入，結合路面特性對車輛本身進行仿真，完成閉環的測試。

（5）存儲模塊。可以利用分布式案例存儲和運行平臺保留測試得到的數據。

（6）接口模塊。包括對接ADAS和自動駕駛系統的豐富的接口，以及和ECU，傳感器進行HIL測試的設備。

2.2 駕駛場景仿真工具的介紹

目前主流的交通仿真軟件按照種類可以分為幾大類：微觀交通仿真模型，宏觀交通仿真模型。

目前主流的自動駕駛仿真軟件包括CarSim，CarMaker，PreScan，PTVVissim，SUMO，VIRESVTD，rFpro，Cognata，RightHook，ParallelDomain，51Sim-One，Pilot-DGaiA，Metamoto，ESIPro-Sivic，NVIDIADriveConstellation，PanoSim，AAI，AirSim，CARLA，LGSVL Simulator，百度Apollo，WaymoCarcraft。這些仿真軟件之中有一些是可以相互配合各取其長處來使用的，例如rFpro可以通過使用SUMO和Vissim生成的交通流，將交通流復現到仿真3D場景中，或者它可以為Carmaker的仿真提供更真實的傳感器和道路輸入。rFpro還提供了一個基于物理現實規則的光照和天氣系統，可以有效地模擬天氣變化和降雨、霧等天氣。

表1列舉了一些常用仿真軟件的特性。

表1 常用仿真軟件特性對比

3 構建基于數字孿生的自動駕駛場景模型

對于交通管理解決方案的實施，準確的交通狀況和動力學知識是必要的。交通模擬框架為解決復雜的研究問題、評估或測試交通管理策略及其影響提供了一個有用的工具。交通仿真工具主要分為4類：

（1）宏觀。模擬交通密度等宏觀指標。

（2）微觀。每個車輛和它的動力學是單獨建模。

（3）介觀。宏觀和微觀模型的混合物。

（4）亞微觀。每一輛車和內部的功能都是明確模擬的，例如變速。

宏觀模型的優點通常是執行速度快。然而，特別是當需要模擬排放或個別路線時，微觀或亞微觀模型的詳細模擬更為精確。

本文使用SUMO對車輛進行建模，分析SUMO內置的經典模型，然后結合rFpro生成逼真交通環境并輸出相應的圖像數據。通過rFpro接入SUMO，可以得到多種光照，多種路面情況，多種周邊駕駛環境和多個交通參與者組合而成的交通仿真模型，通過在這里面運行合適的自動駕駛算法可以測試和獲取rFpro傳感器帶來的反饋形成模型在環測試的閉環。如圖1所示。

圖1 駕駛模型結構

3.1 交通場景仿真宏觀模型建模

3.1.1 建立駕駛場景仿真模型

建立駕駛場景仿真模型包括車輛動力學模型，模擬人為操控行為，由行人、交通工具等交通參與者組成的交通流、以及由天氣、信號燈、道路標志、道路交通標線、道路周邊元素和可駕駛區域組合生成。

3.1.2 通過交通流和仿真模型建立場景庫

交通流的主要場景如下：

（1）按照交通流的維度來看，交通流分低、中和高三種密度，對應真實場景中的車輛的密度的低、中、高場景。

（2）按照固定路段場景的維度來看，場景庫的分類可以分為固定路段車輛駛入和駛出，通過設置不同的車輛速度，車輛跟馳模型和換道模型等參數獲取不同的交通場景。

（3）按照交通組成元素來看，交通元素的組合包括在存在交通紅綠燈的情況下固定路口行人和自行車橫穿馬路等邊界場景。

（4）按照道路變動程度來看，可以在道路固定路段設置三角錐，可以用來區域劃分、引導活動和節日的人流、停車場人車分流。

（5）按照道路突發情況來看，危險駕駛場景還包括固定路段“鬼探頭”，靜止車輛前方出現車輛、行人和自行車。

案例場景庫的建立，還可以包括一些其他場景，包括：測前方車輛插入、轉向沖突、對向沖突、緊密跟馳、沖突對象突然出現。場景庫的搭建可以分為場景數據獲取、數據預處理、場景聚類分析、場景庫搭建。

場景數據獲取首先需要選取場景要素，以這些要素作為參考選出具有代表性的場景數據。比如事故場景數據，它包含交通環境中的所有危險的情形，具有典型性和代表性，使用事故場景數據可以排除自動駕駛驗證過程中不必要的普通情形，加快研發進程。除了事故場景數據之外，場景的要素還包括真實道路數據和法規標準場景數據，真實場景數據相比于事故場景數據沒有那么強的危險性，它采集的是人們日常交通的數據，法規標準場景數據是法律針對自動駕駛的某個功能單獨制定的數據，世界各國對于自動駕駛的功能和要求各不相同。

數據預處理階段是對收集得到的場景數據進行數據的清洗，這一步的目的是為了去除無用的噪聲場景數據。數據預處理是場景庫構建中重要的異步，數據的質量直接影響了最后場景庫的優劣，因此選擇合適的策略去清晰場景數據非常重要。目前常見的數據清洗策略包括：不完整數據修復或清理、錯誤值檢測清理、重復記錄的消除、數據的一致性檢查等。

數據的聚類分析階段是指按照一定的規則將一份事物按照規則劃分，最后得到相互獨立的幾份，通常是將相似程度高的數據放到一起，將相似程度低的數據相互分離。聚類算法可以大致分為幾類，分別是基于模型的算法、基于劃分的算法、基于密度的算法、基于網格的算法、系統聚類算法等等，如表2所示。

表2 聚類算法

當數據聚類分析完成之后，可以將結果數據保存起來，這要求系統需要有良好的存儲能力和數據變換能力，單臺計算機的能力有限，隨著數據量的增大數據庫的壓力也越來越大。這會導致數據的獲取速度變慢，因此可以利用集群來優化場景庫的性能，用多臺計算機的存儲資源和計算資源取代單臺優異性能的計算機。常見的分布式框架可以使用springBoot+spring-Cloud，常見的大數據處理開發框架可以使用Hadoop、Spark等。

3.1.3 其他環境要素

控制除了交通流元素外的其他環境要素，如表3所示。

表3 其他環境要素

3.2 交通場景仿真微觀模型建模

在駕駛場景中，交通道路最主要的元素就是車輛，因此對車流的仿真建模技術是交通仿真仿真場景構建的重要組成部分。對具有自主反應的汽車進行模型分析和建立，通過模型模擬和預測汽車下一步的運動軌跡，通過模型獲得汽車的位置、速度和方向的信息。

在仿真實驗中，選擇性能優異的車輛移動模型是非常有必要的，它可以最大程度地模擬真實路面交通的狀況。根據交通特征的細化程度，可以將移動模型分為宏觀的移動模型和微觀的移動模型。宏觀的移動模型把車流當成研究的對象而不關心車輛個體的運動行為。當需要研究單個車輛觀察車輛相互之間的制約關系時，可以選用微觀的車輛移動模型，它可以詳細地描述車輛的加速、減速、變道和超車等駕駛行為。對于本文的駕駛場景模型仿真，選擇微觀移動模型來對具體的行駛車輛進行建模有利于觀察主車和手機主車行駛過程中的各方面的數據。

SUMO是一款免費的開源的交通系統仿真軟件，可以實現交通流的微觀控制，即具體到道路上每一輛車的運行路線都可以單獨規劃。SUMO最早發布于2001年，主要由German Aerospace Center下屬的Institute of Transportation Systems的研究人員開發。為了模擬交通，需要許多元素，最重要的幾點：①路網數據，比如馬路和人行道。②額外的交通基礎設施，比如紅路燈。③交通參與者。

這些元素一起構成一個模擬場景。由于交通模擬模型通常用于隨機行為，因此對這樣的場景進行多次模擬并得出統計結論是有意義的。根據真實數據準備模擬場景通常是一個耗時的過程。SUMO提供了一個大的應用程序包來幫助完成這項任務。在定義了一個場景之后，觀察模擬對象（車輛、行人、交通燈）的可視化表示，以進行定性驗證是非常有用的。為此，SUMO提供了SUMOgui應用程序，允許在不同的速度下觀察模擬，并有不同的顏色選擇，以突出不同的方面，如速度、交通密度、道路標高或通行權規則。

在SUMO仿真軟件中有幾種經典的跟馳模型，主要有CarFollowing-Krauss、Smart、Car-Following-Wiedemann、 CarFollowing-PWagner、CarFollowing-BKerner和CarFollowing-IDM 6種常用的車輛跟馳模型。

這里介紹Krauss模型，Krauss模型基于安全距離來進行建模。在該模型中，后車根據上一個時間段前車與后車的距離和速度，來選擇當前時刻它應保持的車速。他們之間的安全距離可以表示為：

式中：d為當前時間段車輛行駛的距離；d為前車緊急制動的距離；g為車間距。僅當公式等號成立時，所選擇的速度被稱為安全速度。

因為Krauss是無碰撞模型，所以車輛行駛速度不會超過安全車速，并且在每一個仿真步長，都會重新計算安全車速，根據（1）式可以得出安全速度的計算公式：

駕駛員的理想速度通常在v（道路限制最大車速），v（安全車速），v+b（當前時刻速度加上最大加速度）中選擇一個最小的，駕駛員的不完美駕駛會使得速度在這個最小的速度減去一個0～b的偏移作為仿真時長的車速。Krauss模型在一定程度上避免了交通出現擁堵現象，并且對經過交通燈后的車輛控制符合實際駕駛行為。根據微觀角度對模型的分析，Krauss模型對單個車輛高度的控制性能，對在城市道路環境下進行協議的仿真測試極為重要。

3.3 模型和仿真工具的結合

各個仿真工具都有自己的特點和優勢，將仿真工具結合起來能夠將多個仿真工具的優勢結合，本文使用SUMO構建道路路網和車輛仿真模型，使用rFpro真實模擬道路場景。rFpro通過特定的接口與SUMO進行交互，使用SUMO可以在rFpro控制仿真場景中控制交通燈，車輛路徑和車輛數量等等。

自rFpro2017b發布以來，SUMO插件不需要安裝。只需從管理控制臺的物理選項卡中選擇SUMO作為所需的插件，在rFpro控制臺上面設置天氣包括云、雨、雪和道路潮濕程度，設置環境包括路面新舊程度、交通密度、交通信號燈的間隔時間等信息，通過在rFpro修改配置信息，如圖2所示。

圖2 rFpro控制臺操作界面

圖3 rFpro結合SUMO輸出逼真圖像

4 結語

隨著駕駛技術的不斷發展，自動駕駛慢慢地進入人們的視野，自動駕駛在實際應用前必須經過足夠多的測試，實際的路測缺乏足夠多的、必要的邊界場景以及路測過程時間長、投入大，并且有一定的道路風險。基于數字孿生的駕駛模型構建的仿真場景將會成為自動駕駛測試的重要組成部分。

隨著仿真測試和動態渲染技術的不斷發展，基于場景模型仿真的自動駕駛仿真測試將會成為主要的自動駕駛算法算法測試的方法，數字孿生技術為我們帶來了多尺度和高實時性的汽車和道路狀況共享。通過數字孿生技術收集到的信息可以用來方便科研和生產上的數據分析和決策判斷，抽象出自動駕駛仿真場景模型組成的要素和特征，對交通參與者和靜態場景動態場景進行分析。通過分析自動駕駛仿真所需要的條件，如何結合數字孿生技術，提出了一種構建仿真測試的駕駛模型方法。

目前仿真模型構建技術還處于研究和探索階段，模型的構建技術也多種多樣，可以基于現實物理規律建模，也可以通過神經網絡基于數據驅動建模，在未來或許可以通過兩者的結合方向進行研究分析，推動仿真測試技術的發展。