[论文解读] Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing

Xintao Yan, Shuo Feng+2 more|arXiv (Cornell University)|Jan 8, 2021

Traffic control and management参考文献 46被引用 18

一句话总结

本文提出了一种基于大规模自然驾驶数据中经验分布建模人类驾驶行为的分布一致性自然驾驶环境（NDE）仿真框架，用于自动驾驶汽车（AV）测试。该框架采用基于马尔可夫链的优化方法，使仿真车辆状态转移与真实世界的平稳分布保持一致，显著提升了AV安全评估的准确性，优于传统模型。

ABSTRACT

Microscopic traffic simulation provides a controllable, repeatable, and efficient testing environment for autonomous vehicles (AVs). To evaluate AVs' safety performance unbiasedly, the probability distributions of environment statistics in the simulated naturalistic driving environment (NDE) need to be consistent with those from the real-world driving environment. However, although human driving behaviors have been extensively investigated in the transportation engineering field, most existing models were developed for traffic flow analysis without considering the distributional consistency of driving behaviors, which could cause significant evaluation biasedness for AV testing. To fill this research gap, a distributional consistent NDE modeling framework is proposed in this paper. Using large-scale naturalistic driving data, empirical distributions are obtained to construct the stochastic human driving behavior models under different conditions. To address the error accumulation problem during the simulation, an optimization-based method is further designed to refine the empirical behavior models. Specifically, the vehicle state evolution is modeled as a Markov chain and its stationary distribution is twisted to match the distribution from the real-world driving environment. The framework is evaluated in the case study of a multi-lane highway driving simulation, where the distributional accuracy of the generated NDE is validated and the safety performance of an AV model is effectively evaluated.

研究动机与目标

• 通过确保仿真环境与真实世界自然驾驶环境之间的分布一致性，解决AV测试中的仿真到现实的差距问题。
• 克服现有人类驾驶模型的局限性，这些模型原本设计用于交通流分析，而非AV评估。
• 开发一种数据驱动的仿真框架，以保持关键驾驶行为（如速度、车间距、相对速度）的统计分布。
• 通过匹配真实世界驾驶数据的底层概率分布，实现无偏、统计准确的AV安全性能评估。

提出的方法

• 从大规模自然驾驶数据（NDD）中经验性地推导出车辆状态（速度、车间距、相对速度）的联合分布，以建模人类驾驶行为。
• 将车辆状态演化建模为马尔可夫链，并通过优化方法调整其平稳分布，使其与真实世界的实证分布相匹配。
• 实施一种数据驱动的初始化方法，基于上游状态顺序生成下游车辆，使用伯努利分布的跟车指示符，并从经验分布中进行条件采样。
• 应用拒绝采样机制以防止不现实的初始碰撞，确保仿真初始状态的物理合理性。
• 利用真实世界数据统计量校准模型参数（例如，$d_0 = 50m$，$p_{CF} = 0.68$，$d_{obs} = 115m$）。
• 在多车道高速公路场景中验证框架，每种模型运行100次仿真，与基准模型（如IDM和MOBIL）比较分布准确性。

实验结果

研究问题

• RQ1 如何确保仿真框架在合成环境中的人类驾驶行为统计分布与真实世界自然驾驶数据中观察到的分布一致？
• RQ2 传统人类驾驶模型（如IDM、MOBIL）在AV测试场景中在多大程度上未能保持分布一致性？
• RQ3 基于优化的方法能否有效通过将马尔可夫链的平稳分布与真实世界数据对齐，纠正仿真车辆状态转移中的分布漂移？
• RQ4 分布一致性如何影响AV安全性能估计的准确性，特别是在碰撞率预测方面？
• RQ5 当使用文献中校准的参数时，所提框架相对于基准模型的相对性能如何？

主要发现

• 与IDM和MOBIL等基准模型相比，所提框架在仿真车辆状态（速度、车间距、相对速度）的分布准确性方面显著提升，尤其在捕捉真实世界行为分布的完整范围方面表现更优。
• 在使用文献校准参数时，基准模型如VT100 IDM和Shanghai IDM生成的分布集中在密集区域，未能再现真实世界数据中观察到的自然分布范围。
• 基于优化的改进方法成功将仿真马尔可夫链的平稳分布与NDD中的实证分布对齐，随时间推移显著降低了分布误差。
• 数据驱动的初始化方法有效防止了不现实的初始配置，同时保持了物理合理性与统计保真度。
• 在多车道高速公路案例研究中，所提方法通过保持环境变量真实底层分布，实现了更可靠、无偏的AV安全性能评估。
• 该框架表明，分布一致性对于基于蒙特卡洛方法准确估计AV安全指标（如碰撞率）至关重要。