[论文解读] A Novel Traffic Simulation Framework for Testing Autonomous Vehicles Using SUMO and CARLA

Pei Li, Arpan Kusari+1 more|arXiv (Cornell University)|Oct 14, 2021

Traffic control and management参考文献 5被引用 8

一句话总结

本文提出了一种新颖的仿真框架，结合SUMO实现逼真的交通流，以及CARLA实现高保真的传感器仿真，从而在复杂、自然的环境中实现自动驾驶（AV）感知、规划与控制的端到端测试。通过将SUMO-Gym与CARLA结合，该框架提升了交通行为与传感器输出的真实性，实现了通过多个案例研究进行模块化且可扩展的AV评估。

ABSTRACT

Traffic simulation is an efficient and cost-effective way to test Autonomous Vehicles (AVs) in a complex and dynamic environment. Numerous studies have been conducted for AV evaluation using traffic simulation over the past decades. However, the current simulation environments fall behind on two fronts -- the background vehicles (BVs) fail to simulate naturalistic driving behavior and the existing environments do not test the entire pipeline in a modular fashion. This study aims to propose a simulation framework that creates a complex and naturalistic traffic environment. Specifically, we combine a modified version of the Simulation of Urban MObility (SUMO) simulator with the Cars Learning to Act (CARLA) simulator to generate a simulation environment that could emulate the complexities of the external environment while providing realistic sensor outputs to the AV pipeline. In a past research work, we created an open-source Python package called SUMO-Gym which generates a realistic road network and naturalistic traffic through SUMO and combines that with OpenAI Gym to provide ease of use for the end user. We propose to extend our developed software by adding CARLA, which in turn will enrich the perception of the ego vehicle by providing realistic sensors outputs of the AVs surrounding environment. Using the proposed framework, AVs perception, planning, and control could be tested in a complex and realistic driving environment. The performance of the proposed framework in constructing output generation and AV evaluations are demonstrated using several case studies.

研究动机与目标

• 为了解决现有仿真环境在复现背景车辆自然驾驶行为方面的局限性。
• 为了解决当前AV仿真框架中缺乏模块化、端到端流水线测试的问题。
• 开发一个统一的仿真框架，整合SUMO的交通建模能力与CARLA的逼真传感器仿真能力。
• 实现对自动驾驶车辆感知、规划与控制模块的可扩展且逼真的评估。
• 通过集成CARLA扩展开源的SUMO-Gym框架，以提升传感器真实感与环境保真度。

提出的方法

• 该框架集成了一种修改后的SUMO版本，用于生成逼真的道路网络和具有多样化车辆行为的自然交通流。
• 使用CARLA提供逼真的传感器输出，包括LiDAR和摄像头数据，模拟主车对环境的感知。
• 通过自定义的基于Python的接口实现集成，将SUMO中的交通状态与CARLA仿真环境同步。
• 系统利用SUMO-Gym框架，为AV强化学习与控制策略训练提供标准化的、类似gym的API。
• 仿真流水线通过将传感器输入生成与决策模块解耦，支持对感知、规划与控制组件的模块化测试。
• 案例研究验证了该框架在多种驾驶场景下生成一致且高保真仿真输出的能力。

实验结果

研究问题

• RQ1 结合SUMO与CARLA的框架是否能比单独使用SUMO产生更自然的背景车辆行为？
• RQ2 CARLA的传感器仿真在交通仿真环境中在多大程度上提升了AV感知输入的真实感？
• RQ3 该集成框架在多大程度上支持对AV感知、规划与控制流水线的模块化、端到端测试？
• RQ4 该框架在多种驾驶场景下生成一致且可扩展的仿真输出的性能如何？
• RQ5 与独立仿真器相比，集成CARLA的扩展版SUMO-Gym框架是否能实现更可靠的AV评估？

主要发现

• 将SUMO与CARLA集成显著提升了背景车辆行为的真实性，通过结合SUMO的交通动力学与CARLA的环境保真度实现。
• 该框架成功生成了高保真的传感器输出，包括LiDAR与摄像头数据，其特性与真实世界AV感知输入高度一致。
• 模块化设计使得在统一仿真环境中可独立测试感知、规划与控制组件。
• 案例研究展示了该框架在复杂城市与高速公路场景中具备一致仿真输出的可扩展能力。
• 集成CARLA的扩展版SUMO-Gym框架为AV开发与评估提供了更全面且逼真的测试平台。