[论文解读] SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic

Panpan Cai, Yiyuan Lee+2 more|arXiv (Cornell University)|Nov 11, 2019

Autonomous Vehicle Technology and Safety参考文献 32被引用 8

一句话总结

SUMMIT 是一个高保真、开源的模拟器，用于在使用真实世界 OpenStreetMap 数据和物理精确的 CARLA 后端的密集、非监管混合交通环境中进行城市自动驾驶。它能够实现对异构智能体（汽车、自行车、行人）的逼真、交互式模拟，通过上下文感知的行为建模，相比基线规划器在交通效率和安全性方面表现更优，这一结论已通过基准场景和速度、拥堵率、碰撞率等定量指标得到验证。

ABSTRACT

Autonomous driving in an unregulated urban crowd is an outstanding challenge, especially, in the presence of many aggressive, high-speed traffic participants. This paper presents SUMMIT, a high-fidelity simulator that facilitates the development and testing of crowd-driving algorithms. By leveraging the open-source OpenStreetMap map database and a heterogeneous multi-agent motion prediction model developed in our earlier work, SUMMIT simulates dense, unregulated urban traffic for heterogeneous agents at any worldwide locations that OpenStreetMap supports. SUMMIT is built as an extension of CARLA and inherits from it the physics and visual realism for autonomous driving simulation. SUMMIT supports a wide range of applications, including perception, vehicle control and planning, and end-to-end learning. We provide a context-aware planner together with benchmark scenarios and show that SUMMIT generates complex, realistic traffic behaviors in challenging crowd-driving settings.

研究动机与目标

• 解决在密集、非监管的城市交通环境中，针对具有异构智能体的自动驾驶缺乏高保真、交互式模拟器的问题。
• 实现在真实世界城市环境中复杂、混乱的交通行为的逼真模拟，特别是在道路规则不规范的欠发达地区。
• 提供一个可扩展、可扩展的模拟平台，支持自动驾驶车辆的感知、控制、规划和端到端学习。
• 开发并验证一种上下文感知规划器——Context-POMDP，使其能够在高度互动、不可预测的交通环境中实现安全、高效且平稳的驾驶。

提出的方法

• SUMMIT 整合 OpenStreetMap 数据，自动生成具有复杂布局（如环岛、交叉路口、多车道道路）的真实城市地图。
• 它扩展了 CARLA 以继承高保真物理、传感器模型和视觉真实感，实现对自动驾驶车辆的逼真视觉模拟。
• 采用异构多智能体运动预测模型，模拟多样化的智能体行为，包括激进型、保守型和分心型驾驶行为。
• 交通智能体根据拓扑和几何道路上下文进行引导，生成真实、上下文相关的驾驶行为，如让行、变道和环岛通行。
• Context-POMDP 规划器显式建模人类意图和驾驶类型中的不确定性，利用部分可观察性来推理交互关系和长期安全性。
• 系统支持基于 Python 的 API，便于外部集成，可部署于感知、控制、规划和端到端学习流程中。

实验结果

研究问题

• RQ1 模拟器是否能在任何 OpenStreetMap 支持的位置生成逼真、交互式且高保真的混合交通城市驾驶场景？
• RQ2 在密集非监管交通环境中，上下文感知规划模型与反应式或基于规则的规划器相比，在安全性、效率和顺滑度方面表现如何？
• RQ3 基于优化的行为建模在多大程度上能改善非监管城市环境中的交通流并减少拥堵？
• RQ4 在复杂、高密度的交通场景中，Context-POMDP 规划器在激进与保守行为之间如何实现良好平衡？
• RQ5 在实时模拟中，支持最多 400 个异构智能体时，模拟的可扩展性和计算效率如何？

主要发现

• SUMMIT 中的 Context-GAMMA 行为模型实现了 5.53 m/s 的平均速度和每步 0.002 的碰撞率，显著优于滚动基线模型在速度和安全性方面的表现。
• TTC 控制下的交通拥堵因子随时间迅速增长，表明协调性差，而 Context-GAMMA 在所有智能体类型下均保持低拥堵和高通行速度。
• SUMMIT 模拟在智能体数量增加时表现出良好可扩展性，在消费级笔记本电脑（i7-9750H，RTX 2060）上实现 400 个智能体时仍保持 7.1 Hz 的帧率，更新时间接近线性增长。
• Context-POMDP 实现了每步 0.00069 的碰撞率和 4.53 m/s 的平均速度，优于激进型的 Context-GAMMA（0.002 碰撞率）和保守型的滚动基线（2.1 m/s 速度）。
• 模拟器成功在 Meskel-Intersection 和 Magic-Roundabout 等基准场景中生成复杂、逼真的交通行为，高度还原真实世界混乱的城市交通动态。
• Context-POMDP 规划器表明，长期、上下文感知的规划能显著提升驾驶性能，通过在不可预测的混合交通环境中平衡安全与效率。