面向车路云一体化的交通仿真技术

2024年11月3日~6日，2024中国智能交通大会在杭州隆重召开。2024年11月5日，在车路协同创新发展论坛上，南京理工大学电光学院教授张伟斌就《面向车路云一体化的交通仿真技术》做主题分享，本文系现场演讲整理而来，未经本人审核，如有错漏，敬请谅解。

前言

在交通管理措施实施之前需要进行预先评估，也就是仿真。交通仿真能够优化交通系统设计，对自动驾驶场景进行测试，提升自动驾驶技术，对新能源汽车进行布点，促进新能源汽车普及，支持出行服务模式创新，评估出行服务模式效果，助力交通管理系统智能化转型。

来看两款典型交通仿真软件，VISSIM是一种微观的、基于时间间隔和驾驶行为的仿真建模工具，用于城市交通和公共交通运行交通建模，VISSIM自1992年进入市场以来已经成为模拟软件的标准；SUMO是一个开源、高度便携、微观和连续的多模式交通仿真软件，能够处理大型交通网络的建模仿真。

这两款交通仿真软件都来源德国，引入国内带来了一些“水土不服”，一是价格相对较高，二是提供的接口功能有限，难以满足一些定制化需求，在此背景下我们开发了国产自研的联坤交通仿真软件（LiikeSim），能够用于城市交通仿真、智能网联及自动驾驶仿真、交通信号配时和管控仿真等

一、功能介绍

联坤仿真内置路口模板，导入相应的数据，比如交通组织情况、信号配置情况等所呈现出的效果不同，通过快速生成的模式看到仿真结果，因为是虚拟环境下过程还能加速，联坤仿真最快支持60倍速。

联坤仿真支持不规则交叉口的建模，比如在两个交叉口连接的情况下也能实现各类交通组织的精细化；也支持交叉口行人与车流联合仿真场景刻画，能够准确描绘行人遇红灯停、车辆礼让行人等复杂场景，得到更真实的效果；此外，还支持适应国情的定制化特殊场景左弯待转区，以及能够精准再现高架桥独特的交通状况，为特殊场景的交通管理提供了更加科学的决策依据。

就南京市中山门大街双向绿波优化案例来说明。南京市中山门大街路口间距差异较大，道路条件较为复杂，道路沿线有地铁、医院、住宅区、商业中心等，作为进出城区的主干道，车流量大且机非冲突较多，从中山门大街到罗汉巷路口到中山门大街到顾家营路口共有8个信号灯路口组成，原先实施了进城方向的单向绿波，进城方向有一定效果，但是出城方向非常堵塞，行驶体验较差，需要将原本的进城方向单向绿波改为双向绿波。

我们团队依据实采数据，在2023年10月对中山门大街8个交叉口路段进行双向绿波优化，并用仿真平台进行评估和预验证，确定配时优化方案后再落地实践，双向绿波优化后中山门大街该路段行驶体验改善明显，尤其是该路段的绿波时速设计为45公里/小时，接近实际行驶速度，驾驶者可以不刻意控制速度，自然驾驶通过，实现了无感化绿波体验。

进行落地实施之前进行交通仿真是必要前提，我们将自研软件的数据与SUMO进行了对比，发现统计结果趋势一致，也就是说明自研软件的数据是比较准确的。

那么能不能进行更大范围的城市级仿真？事实证明是可以的，比如能够直观呈现出某地级市核心区，60个路口、220个路段的场景，也就是实现微观，在微观的叠加上形成宏观。

此外，一般由经验估计评估异常交通事件造成的影响，而仿真软件通过对于异常交通事件的模拟技术，能够直观地仿真展现交通事件影响，比如两辆车发生追尾，软件能够实现车辆碰撞情况；并能够对自动驾驶混合交通流仿真，软件对自动驾驶车辆行为进行建模，模拟自动驾驶车辆和普通车辆混行的交通流规则和参数。

二、强化学习接口

LiikeSim提供的API接口不仅支持对仿真对象（如车辆、信号灯等）的控制，还允许用户检索和修改仿真对象的属性值，这些接口具备实时交互功能，构建起客户端与服务端之间的通信桥梁，通过这种设计，用户无需深入了解软件的内部工作机制，就可以通过接口控制与访问仿真对象，实现所需的仿真场景。

接口优势具备三方面优势，一是具有灵活性和扩展性，API接口的设计允许用户根据自己的需求轻松扩展仿真功能，添加新的仿真对象或修改现有对象的行为；二是能够强化学习训练，API接口为强化学习算法提供了一个理想的训练环境，研究人员和开发者可以利用仿真环境中的大量数据来训练智能体，优化其决策过程；三是能够实现多场景应用，接口支持多样化的交通场景设置，用户可以根据研究或测试的需要，构建不同的交通流量、交通规则和道路条件，包括构建车辆碰撞等交通异常行为，或测试自适应交通信号控制场景。

三、仿真示例

基于强化学习的高速公路合流区域管控案例。

高速公路合流区通常交通流量较大，在高峰时段车辆的汇聚和分流常常可能会导致交通拥堵甚至诱发交通事故，现有的可变限速控制和匝道计量控制方法能够对合流区的交通流起到明显的调节作用。

但现实交通系统通过感知系统采集数据，对控制方案的效果只能进行“事后”评价，使得方案效果测试代价太大，不利于交通控制方案的优化提升。借助交通仿真平台可以对方案进行“事前”的评价，直至达到预期目标，可以显著缩短方案的开发周期，提升方案的有效性。

具体逻辑是基于LiikeSim可视化界面绘制路网文件，后端调用检测接口，采集交通流量状态，再由强化学习模型计算可变限速和匝道配时，最终下发更新后的限速、配时方案，经过软件训练上千次后可以得到仿真控制结果。

基于强化学习的单交叉口交通信号控制案例。

仿真软件和强化学习算法，实现对交叉口信号灯的智能控制，首先绘制路网，再进行参数配置，输入车流开始训练，对于强化学习模型来说，若能保证奖励曲线总体呈现上升趋势则说明智能体有成功学习到控制策略。

自动驾驶联合仿真案例。

使用LiikeSim和Carla仿真软件联合仿真，进行两车相撞过程模拟示例，通过构建丰富的场景和车流画面，真实反映自动驾驶事故发生场景，获得智能优化策略。

责任编辑：石旭