自动驾驶测试离不开仿真系统。
这种高效低成本的方法，可以模拟车辆在真实环境下遇到的各种情况，以提高车辆真正上路后的安全性。
因此，模型的准确性成为了仿真系统的关键之一。
该领域的最新成果，首次实现了高精度的具有统计学真实性的自然驾驶仿真环境，并登上《Nature Communications》，并被选为编辑精选文章（Editor’s Highlights）。
它可以生成分布级别准确的安全关键事件，包括事故冲撞和冲突事件（near-miss）。
审稿人表示，该研究对自动驾驶的开发和部署都具有重要意义。
该研究主要面临三方面挑战。
第一是维度灾难（Curse of Dimensionality）。
在真实的交通环境里，车辆很多、车辆之间的交互非常复杂、时间域比较长。这使得统计学真实下建立高精准度的仿真环境，将会是一个高维问题。
第二是稀度灾难（Curse of Rarity）。
在真实的交通环境里，事故是少数，一英里发生交通事故的概率约为0.000001。因此想要高精度建模这些长尾事件，是目前业界和学术界共同面临的难题。
第三方面挑战来自分布变化。
这对于基于机器学习的仿真模型尤其重要。空间和时间上的小误差积累，可能会导致频繁驶离道路、不真实的碰撞，甚至是整个系统的崩溃。
此外，由于驾驶环境内的高度交互性，单个智能体的不真实行为会影响并传播到仿真系统中的所有智能体。
NeuralNDE的提出就是为了解决上述挑战。它的框架如下：
预训练阶段，将所有车辆历史时间内的过去状态作为输入，预测其未来行为的联合分布。
利用BERT基础模型的最新进展，Transformer作为行为建模网络的骨干网络，来表征多智能体交互行为。
推理阶段包括行为建模网络、冲突判别模块和安全映射网络。
其中，行为建模网络能够预测各车辆的行为分布。但是由于训练数据中，安全关键事件非常少，所以在安全关键条件下，预测会不够准确，比如出现碰撞率虚高的情况。
这种情况下，安全映射网络将指导车辆行为。
研究团队在推理过程中引入了冲突批判机制，它在模拟过程中控制危险驾驶行为的发生频率和模式。
如果有潜在冲突事件，将会允许在一定概率下接受车辆执行危险行为，并不传递给安全映射网络。这个概率是和轨迹相关的，并且会进行校准，以符合真实路况的安全临界统计。
在模拟过程中，所有道路使用者的状态将根据每个模拟步骤中的行为建模网络、冲突批判模块和安全映射网络进行更新，以自回归生成仿真环境。
为了验证方法的有效性，团队对两个真实多车道环形交叉口进行研究。
团队表示，这是第一次实现了高精度的具有统计学真实性的自然驾驶仿真环境，特别是针对长尾事件。
此外，该系统可以进行长时间的模拟（小时级别），其中训练或测试中的自动驾驶车辆可以持续和场景中的非测试车辆进行交互。
除了自动驾驶测试外，该系统还能用于交通设施安全性能评估等安全应用中。
如下是一个测试场景。b图中红色避让区域为避让车辆，蓝色区域为冲突车辆，避让距离和速度都在图中有标注。
研究团队使用了大约15000个小时的模拟数据来验证NeuralNDE的性能。
主要实验结果如下。
图a是车辆碰撞类型分布，图b是车辆碰撞严重程度分布，图c是险情下车辆距离分布，图d是险情情况下PET（post-encroachment time）分布，PET越小表示情况越危险。
这些结果表明，除了车辆碰撞事故，NeuralNDE还可以表征真实情况下的近距离事故统计情况，这证明该方法在车辆安全关键行为方面能够准确建模。
研究团队表示，接下来他们还将进一步开发和提升NeuralNDE，并尝试分析自动驾驶对周围车辆产生的影响。
本文的共同一作为Xintao Yan 严鑫涛，密西根大学五年级博士生，他于2018年在清华大学车辆与运载学院取得学士学位。研究重心为自动驾驶的安全性，包括如何基于高精度的仿真环境测试和提高自动驾驶汽车安全水平。
另一位一作是Zhengxia Zou 邹征夏博士，完成该工作时为密西根大学博士后，现为北航教授。
本文的通讯作者为：Henry X. Liu教授，密西根大学Civil and Environmental Engineering系教授，Mcity主任，Center for Connected and Automated Transportation主任。
其他作者包括Shuo Feng (封硕博士)，Haojie Zhu (朱昊杰)，Haowei Sun（孙昊葳）。
论文地址：
https://www.nature.com/articles/s41467-023-37677-5
严鑫涛主页：
https://yougeyxt.github.io/
邹征夏主页：
https://zhengxiazou.github.io/
Henry X. Liu教授实验室主页：
https://traffic.engin.umich.edu/home
“
