融合数字孪生的自动驾驶场景仿真模型构建研究综述

叶少槟，梁恩云，高 琛，谭北海

（广东工业大学自动化学院，广州 510006）

0 引言

随着计算机的计算力和神经网络技术的不断发展，自动驾驶已经成为人工智能领域中的重要应用，通过自动驾驶技术能够降低交通事故发生的概率，保障人们的行车安全。在自动驾驶技术应用到实车之前必须经过验证，而验证材料作为自动驾驶系统的输入需要海量的场景才能够保证驾驶系统的稳定性，在特殊场景下也要能够保证系统的稳定性和驾驶的安全性，因此，在实际道路测试中想使用更加精准的自动驾驶算法是有限制的，不管是时间还是成本都成了一大阻力，所以说自动驾驶的测试场景库目前受到了极大的限制。有专家称自动驾驶算法的准确计算离不开大量的驾驶数据来训练，需要高达170多亿km的数据量，这也就说明如果一辆车一天内以40 km/h的速度行驶，并且一天测试100辆自动驾驶的测试用汽车，那么也需要500年以上的时间才可以完成170多亿km的路程。此外，实际驾驶时遇到的各种危险和意外是必须被重视的，但非常遗憾的是，自动驾驶测试场景里很难去模拟这些危险和意外的场景，测试者很难解决自动驾驶安全问题。而且通过这种实际道路测试的方式要找到导致自动驾驶功能失效的各种缺点从成本、效率来看面临着投入大、周期长的缺点。为了解决这个问题，可以通过数字孪生构建场景模型的方式去构建虚拟的仿真场景，这种方式在测试内容、测试效率和测试成本都拥有巨大的优势。

在世界范围内，许多国家对自动驾驶及其相关功能有不同的政策策略和监管重点。西方国家认为，在未来的发展中，交通会越来越自动化，越来越智能，但是这种智能交通系统具体的战略还没有人能给出来。不过目前，世界大国美国是具有优势的，其智能汽车的工业产链比较全，美国高端的国际企业和研究所可以生产出需要的芯片、集成芯片、需要的电子设备、电信运营、模拟场景测试、自动驾驶算法等。同样的，日本政府也加大力度研究自动驾驶技术，在日本政府的观念中，加快研究自动驾驶的研究还得需要一个国家级别的场景库，由此可见日本在自动驾驶技术研究上花了大量的时间精力。而且都是本地和国际的尖端企业和研究机构。日本政府认为加快L3和L4级自动驾驶汽车的研发需要一个国家场景库来帮助日本引领国际话语权。如今，世界各国进行了大范围的跨域合作。比如，西方各国加大了合作，实现成果共享，而美国日本也成为跨国联盟。我国作为近几十年高速发展的国家，尽管在自动驾驶技术上有了不断的进步、不断的创新，自动驾驶测试行业如雨后春笋，规模快速发展扩大，但是还是存在一些问题。

中国拥有世界上最大的汽车市场，强大的信息和通信产业，计算机科学人才基础雄厚。积极扩大合作和产业联盟，有利于顺应国际合作潮流。随着自动驾驶汽车技术的发展，世界各国都制定了相应的自主驾驶战略指南。驾驶系统安全是当前国际法规关注的焦点。因此从安全和效益以及加速自动驾驶产业发展的角度来看，基于数字孪生的自动驾驶场景仿真模型构建是非常重要的。

1 自动驾驶仿真和数字孪生

1.1 自动驾驶仿真技术介绍

自动驾驶仿真技术的基本原理是在仿真场景中将真实控制器控制车辆转化为算法控制车辆，并结合传感器仿真等技术完成算法的测试与验证。无论是环境感知技术，还是车辆控制技术，自动驾驶的支持都需要大量的算法，而算法的研发是一个不断迭代的过程，算法条件还不成熟，为了辅助自动驾驶的功能和性能的发展，我们必须遵循从纯模型仿真、封闭空间的硬件在环仿真和道路测试，最终走向开放场地和道路测试的发展过程。这一过程也越来越得到业界的认可。

在汽车数字仿真测试环境中，交通仿真模型是对无限丰富的驾驶环境的高质量、有效映射，能够高效、真实、全面地反映驾驶环境对智能驾驶功能和驾驶任务性能的深刻影响。危险复杂的场景条件直接影响甚至决定了被测智能驾驶车辆的驾驶安全性能。自动驾驶仿真的模型必须尽可能地符合真实。利用数学建模对真实世界进行信息数字化还原，是驾驶场景仿真系统分析和研究的关键问题。建立正确、可靠、有效的仿真模型能保证仿真结果更加具有说服力和实用性。对于自动驾驶仿真系统，近几年的研究热点是研究需要对什么模块进行数学建模以及对现实世界进行精准建模。需求来源于自动驾驶的工作原理本身，回顾自动驾驶汽车控制架构，目前，业内普遍认为，自动驾驶汽车配备了先进的车载传感器、控制器和数据处理器、执行器等设备，借助汽车互联网等现代移动通信和网络技术，5G和V2X实现交通参与者之间的信息交换和共享。因此，它具有复杂驾驶环境下的传感、决策、规划、控制和执行功能。驾驶系统基于环境感知技术感知车辆周围环境，并根据感知得到的信息，通过车辆中央计算机自主控制车辆的转向和速度，使车辆能够安全可靠地行驶并到达预定目的地。

1.2 驾驶场景仿真模型的要素

驾驶场景仿真模型可以分成车辆动力学模型、智能驾驶员模型和外部环境模型，而外部环境模型可以分为静态场景的还原和动态场景的构建。

车辆动力学模型是以多体动力学模型为基础，包括车辆悬架系统、转向系统、制动系统、动力总成系统、车辆动力学系统、硬件IO接口等车辆模型的真实部分。将Wire控制转向系统和智能驾驶系统集成到大型通用的仿真试验系统中，在系统接收和自动驾驶仿真系统控制模块给出控制信号时，主要包括油门刹车舵机等,更新车辆位置和姿态的汽车底盘参数,输出各个模块的自动驾驶控制信号，模拟车辆的整体行为。此外，在测试L2 L3也可以连接到每个模块的车辆的内部模块，直接控制模块比如转向、动力传动和制动。目前，专业的车辆动力学仿真软件是CarSim等软件，驾驶系统的仿真平台可以通过成熟的车辆动力学模型进行测试，以此获得更加真实的控制效果。当然，许多仿真平台都在自行开发车辆动力学模型。例如，腾讯科技深圳有限公司的自动驾驶仿真平台TAD Sim，支持27自由度的车辆动力学模型，也支持接入CarSim等业内顶尖的车辆动力学模型。

静态场景构建的作用是还原出场景中与车辆行驶相关的静态元素，例如道路（包括材质、车道线、减速带等）；静态交通元素（包括交通标志、路灯、车站、隧道、周围建筑等）。最常用的手段是基于高精度地图及三维重建技术完成场景的构建，或者基于增强现实的方法来构建场景。基于高精度地图及三维重建技术构建场景，首先需要采集点云、全景图、测绘矢量等非结构化的测绘数据，并将测绘数据结构化，构建厘米级的高精度地图，其中包含路面、道路标线、交通标识等信息，之后以此为基础，使用三维建模软件建立基础设施与周边环境的可视化数字模型。而且由于腾讯完成了对全国高速和快速路的高精度地图采集，所以TAD Sim天然支持全国高速、快速路的自动驾驶仿真测试。

广义动态场景要素包括动态指示设施、通信环境信息、交通参与者（包括机动车行为、非机动车行为、行人行为等）、气象变化（如雨、雪、雾等天气状况）等动态环境要素，时间变化（主要是光照在不同时间的变化）。

在静态场景的基础上构建动态场景，再现现场的动态元素，使这些元素的作用及其严格遵循现实世界的物理规律和行为逻辑的影响，在技术层面上游戏（游戏渲染，物理引擎，代理人工智能等）有一个非常重要的作用。首先，使用渲染引擎的渲染能力可以为模拟驾驶场景的场景提供非常逼真的渲染的光影效果，以及风、霜、雨、雪等天气条件的变化。

1.3 驾驶场景仿真模型的测试

仿真是在计算机或实体上建立系统的有效模型并在模型上进行系统实验的过程。按照系统论的观点,模型是一个系统（实体、现象、过程）的物理的、数学的或其他逻辑的表现形式。仿真模型是建模者对建模对象为满足仿真应用需求而建立的，以计算机语言、实体模型的物理实现等形式给出的描述。仿真实验和结果不可能完全、准确地反映真实系统的性能。驾驶场景仿真测试作为一种多功能、复杂的仿真系统，也面临着同样的问题。在数学建模领域，仿真系统的可以信任程度可以通过对仿真系统的校验和验证来衡量，并通过验证进行形式化的验证，可以服务于特定的应用目的。这个过程就是对仿真系统的校核、验证和验收（VV&A）。

校核是确定仿真系统准确地代表了开发者的概念描述和设计的过程。验证是从仿真系统应用目的出发。确定仿真系统代表真实世界的正确程度的过程。验收是官方地正式地接受仿真系统为专门的应用目的服务的过程。

对于仿真模型应该满足三个条件，包括：（1）仿真模型和被仿真对象之间具有相似关系，可以保证两者之间的类比性。

（2）仿真模型在某些方面能够代替真实对象，并具有代表性。

（3）仿真模型应该能够推导出真实对象的一些准确信息，如汽车模型能够在驾驶临危场景中产出场景中的相关信息。

关于驾驶场景仿真模型的验证和精度评估，可以把驾驶场景仿真模型拆解为以下几个方面进行分析：

（1）对于高精度地图的搭建可以通过判断地图的精度来验证，对组合导航数据解算精度，点云数据生成精度，数据采集精度。

（2）对于动态场景仿真通常将道路实际路采数据与构建的动态场景从主观感受包括交通参与者，天气，道路气候等多方面对比，结果与现实越接近说明效果越好。

（3）对于车辆动力学的仿真是汽车行业成熟的板块，为了描述真实汽车的耐久的性能，需要建立符合客观规律的实际汽车动力学模型，它包括了前悬挂模型、后悬挂模型、转向系模型和轮胎模型等。利用目标车的实车平顺性和操作的稳定性来判断汽车模型是否满足要求。

1.4 数字孪生概念介绍和发展

数字孪生（DT）的定义是物理系统（物理孪生）的数字化表示，能够模拟运行系统的整个生命周期并与物理孪生进行同步的映射。数字孪生的概念最早是在2010年NASA的空间技术路线图中引入的，目的是使用数字孪生来实现飞行系统的全面诊断和预测能力，以确保系统在整个生命周期中持续安全运行。美国国家航空航天局和美国空军联合提出了未来飞机数字化的例子，并将数字孪生定义为基于飞机可用高保真度的集成物理场、多尺度、概率仿真过程，利用传感器的历史数据和物理模型实时更新数据构建完整的虚拟模型映射，描述和反映物理系统的整个生命周期，对设备健康状况进行评估、对设备剩余寿命和任务完成度的与预测。2011年，美国的空中军队研究实验室（AFRI）引入数字孪生技术并用于飞机结构寿命预测，并逐步扩展到机身状态评估研究，通过建立包括材料、制造信息等规格控制，为了评估最大允许载荷，以确保适航和安全，从而减少全寿命周期的维修负担，增加飞机的可用性。AFRL还确定了实现机身数字孪生的主要技术挑战。基于上述数字孪生概念和框架，国外一些研究机构进行了相关关键技术的探索。例如，范德堡大学（Vanderbilt University）构建了一个动态贝叶斯网络，用于计算机健康监测数字孪生，以预测裂纹增长的概率。

随着信息化技术和设备计算力的不断发展，数字孪生技术发展迅速，现在数字李生是指在信息化平台内建立、模拟一个物理实体、流程或者系统。借助于数字孪生,可以在信息化平台上了解物理实体的状态并对虚拟实体的状态做出改变预测结果。

1.5 数字孪生技术的应用

1.5.1 制造业

数字孪生应用最广泛的领域是制造业。制造业依赖于产生大量数据的高成本设备，这有助于创建数字孪生。数字孪生在制造业中的应用如下：

（1）产品开发。数字孪生可以帮助工程师在发布之前测试即将推出的产品的可行性。根据测试结果，工程师开始生产或将注意力转移到创建可行的产品上。

（2）设计定制。借助数字孪生，企业可以设计产品的各种排列组合，以便为客户提供个性化的产品和服务。

（3）车间性能改进。数字孪生可用于监控和分析最终产品，并帮助工程师查看哪些产品存在缺陷或性能低于预期。

（4）预测性维护。制造商利用数字双胞胎来预测机器的潜在停机时间，以便企业最大限度地减少非增值维护活动并提高机器的整体效率，因为技术人员会在故障发生之前采取行动。但是，将数字孪生用于预测性维护任务是不可扩展的，因为它是特定于机器的虚拟副本，并且需要昂贵的数据科学人才来构建和维护孪生。

1.5.2 航天

在数字孪生（digital twin）提出之前，物理孪生（phisical twin）用于航空航天工程。一个例子是1970年代的阿波罗13号计划，地球上的NASA科学家通过孪生体能够模拟飞船的状况，并在出现关键问题时找到答案。2002年，美国宇航局的约翰·维克斯（John Vickers）引入了数字孪生概念。

借助数字孪生技术，工程师可以使用预测分析来预见未来涉及机身、发动机或其他组件的任何问题，以确保机上人员的安全。

1.5.3 汽车

开发新车大多发生在虚拟环境中。数字孪生用于汽车行业以创建联网车辆的虚拟模型。汽车公司甚至在生产开始之前就使用该技术设计理想的汽车产品，他们模拟和分析生产阶段以及车辆上路后可能出现的问题。

尽管数字孪生实践可用于传统汽车制造行业，但数字孪生对于自动驾驶汽车公司来说非常方便。自动驾驶汽车包含大量传感器，用于收集有关车辆本身和汽车环境的数据。由于围绕自动驾驶汽车的责任问题，创建汽车的数字孪生并测试汽车的各个方面有助于公司确保将意外损坏和伤害降至最低。数字孪生在汽车行业的一些应用是道路测试和车辆维护。

1.5.4 卫生保健

数字孪生可以帮助医疗保健提供者虚拟化医疗保健体验，以优化患者护理、成本和性能。对于医疗保健，用例可以分为两组：

提高医疗保健运营的运营效率，创建医院、和护理模式的数字孪生有助于医疗保健提供者检查提供者自身组织的运营绩效。

改善个性化护理，医疗保健提供商和制药公司还可以使用数字孪生模型对患者的基因组代码、生理特征和生活方式进行建模，以便医疗保健公司可以为每位患者提供个性化的护理，例如独特的药物。

1.5.5 供应链

数字孪生也广泛用于供应链/物流行业。这些应用场景分别是

预测包装材料的性能，产品包装可以虚拟化，然后在包装前测试错误。数字孪生帮助物流公司确定材料可行性。

加强货件保护，物流公司可以借助数字孪生分析不同的包装条件如何影响产品交付。

优化仓库设计和运营绩效，数字孪生使物流公司能够测试仓库布局，以便公司可以选择最有效的仓库设计以最大限度地提高运营绩效。

打造物流网络，道路网络的数字孪生承载有关交通状况、道路布局和施工的信息。有了这些知识，物流公司就可以设计配送路线和库存存储位置。

2 交通仿真工具

2.1 仿真软件的现状

在过去的几十年里，微观模拟模型的复杂性得到了迅速的发展，在交通工程和规划实践中也得到了广泛的应用。20世纪90年代中期的模型所需要的投入是昂贵的，而且不够准确，不能反映各种交通行为。通过引进先进的交通控制和信息系统的新技术，下一代仿真模型丰富的数据来源，可以用来降低收集所需数据的成本，并提高其保真度。

自20世纪60年代以来，国内外交通业界在微观交通仿真领域进行卓有成效的研究工作,开发了几十种微观交通仿真模型和多种交通仿真软件。系统随着ADAS和自动驾驶技术的发展，仿真软件也经历了几个发展阶段。早期的仿真软件主要集中在车辆本身，主要是动力学仿真，用于模拟车辆在开发过程中的动力、稳定性、制动等，如CarSim。随着ADAS各种功能的开发，诸如Prescan等仿真软件开始出现，通过提供简单的道路环境、可编辑的车辆和行人模型以及简单、完美的传感器模型来辅助ADAS的开发。此时仿真软件一般在单机上运行，主要侧重于功能的验证，对场景和传感器的真实性要求不高。随着以Waymo为代表的以L4自主驾驶为目标的一系列创业公司的建立和突破，Waymo自建的Carcraft仿真环境在补充实际道路测试中的重要作用越来越被大家所认可。

现在的自动驾驶仿真系统的构成已经很复杂，各个仿真软件都有各自的优势和研发的重点，搭建一个完整的仿真系统也越来越需要多个软件互相之间的配合。典型的自动驾驶仿真平台要包括：

（1）道路环境模块。可以通过真实路网或者高精度地图搭建。

（2）交通模块。可以通过路采数据或者基于规则的交通模型生成。

（3）传感器模块。包括摄像头，毫米波雷达，GPS，激光雷达，超声波雷达。

（4）车辆模块。通过车辆动力学模型，可以根据ADAS或者自动驾驶系统的输入，结合路面特性对车辆本身进行仿真，完成闭环的测试。

（5）存储模块。可以利用分布式案例存储和运行平台保留测试得到的数据。

（6）接口模块。包括对接ADAS和自动驾驶系统的丰富的接口，以及和ECU，传感器进行HIL测试的设备。

2.2 驾驶场景仿真工具的介绍

目前主流的交通仿真软件按照种类可以分为几大类：微观交通仿真模型，宏观交通仿真模型。

目前主流的自动驾驶仿真软件包括CarSim，CarMaker，PreScan，PTVVissim，SUMO，VIRESVTD，rFpro，Cognata，RightHook，ParallelDomain，51Sim-One，Pilot-DGaiA，Metamoto，ESIPro-Sivic，NVIDIADriveConstellation，PanoSim，AAI，AirSim，CARLA，LGSVL Simulator，百度Apollo，WaymoCarcraft。这些仿真软件之中有一些是可以相互配合各取其长处来使用的，例如rFpro可以通过使用SUMO和Vissim生成的交通流，将交通流复现到仿真3D场景中，或者它可以为Carmaker的仿真提供更真实的传感器和道路输入。rFpro还提供了一个基于物理现实规则的光照和天气系统，可以有效地模拟天气变化和降雨、雾等天气。

表1列举了一些常用仿真软件的特性。

表1 常用仿真软件特性对比

3 构建基于数字孪生的自动驾驶场景模型

对于交通管理解决方案的实施，准确的交通状况和动力学知识是必要的。交通模拟框架为解决复杂的研究问题、评估或测试交通管理策略及其影响提供了一个有用的工具。交通仿真工具主要分为4类：

（1）宏观。模拟交通密度等宏观指标。

（2）微观。每个车辆和它的动力学是单独建模。

（3）介观。宏观和微观模型的混合物。

（4）亚微观。每一辆车和内部的功能都是明确模拟的，例如变速。

宏观模型的优点通常是执行速度快。然而，特别是当需要模拟排放或个别路线时，微观或亚微观模型的详细模拟更为精确。

本文使用SUMO对车辆进行建模，分析SUMO内置的经典模型，然后结合rFpro生成逼真交通环境并输出相应的图像数据。通过rFpro接入SUMO，可以得到多种光照，多种路面情况，多种周边驾驶环境和多个交通参与者组合而成的交通仿真模型，通过在这里面运行合适的自动驾驶算法可以测试和获取rFpro传感器带来的反馈形成模型在环测试的闭环。如图1所示。

图1 驾驶模型结构

3.1 交通场景仿真宏观模型建模

3.1.1 建立驾驶场景仿真模型

建立驾驶场景仿真模型包括车辆动力学模型，模拟人为操控行为，由行人、交通工具等交通参与者组成的交通流、以及由天气、信号灯、道路标志、道路交通标线、道路周边元素和可驾驶区域组合生成。

3.1.2 通过交通流和仿真模型建立场景库

交通流的主要场景如下：

（1）按照交通流的维度来看，交通流分低、中和高三种密度，对应真实场景中的车辆的密度的低、中、高场景。

（2）按照固定路段场景的维度来看，场景库的分类可以分为固定路段车辆驶入和驶出，通过设置不同的车辆速度，车辆跟驰模型和换道模型等参数获取不同的交通场景。

（3）按照交通组成元素来看，交通元素的组合包括在存在交通红绿灯的情况下固定路口行人和自行车横穿马路等边界场景。

（4）按照道路变动程度来看，可以在道路固定路段设置三角锥，可以用来区域划分、引导活动和节日的人流、停车场人车分流。

（5）按照道路突发情况来看，危险驾驶场景还包括固定路段“鬼探头”，静止车辆前方出现车辆、行人和自行车。

案例场景库的建立，还可以包括一些其他场景，包括：测前方车辆插入、转向冲突、对向冲突、紧密跟驰、冲突对象突然出现。场景库的搭建可以分为场景数据获取、数据预处理、场景聚类分析、场景库搭建。

场景数据获取首先需要选取场景要素，以这些要素作为参考选出具有代表性的场景数据。比如事故场景数据，它包含交通环境中的所有危险的情形，具有典型性和代表性，使用事故场景数据可以排除自动驾驶验证过程中不必要的普通情形，加快研发进程。除了事故场景数据之外，场景的要素还包括真实道路数据和法规标准场景数据，真实场景数据相比于事故场景数据没有那么强的危险性，它采集的是人们日常交通的数据，法规标准场景数据是法律针对自动驾驶的某个功能单独制定的数据，世界各国对于自动驾驶的功能和要求各不相同。

数据预处理阶段是对收集得到的场景数据进行数据的清洗，这一步的目的是为了去除无用的噪声场景数据。数据预处理是场景库构建中重要的异步，数据的质量直接影响了最后场景库的优劣，因此选择合适的策略去清晰场景数据非常重要。目前常见的数据清洗策略包括：不完整数据修复或清理、错误值检测清理、重复记录的消除、数据的一致性检查等。

数据的聚类分析阶段是指按照一定的规则将一份事物按照规则划分，最后得到相互独立的几份，通常是将相似程度高的数据放到一起，将相似程度低的数据相互分离。聚类算法可以大致分为几类，分别是基于模型的算法、基于划分的算法、基于密度的算法、基于网格的算法、系统聚类算法等等，如表2所示。

表2 聚类算法

当数据聚类分析完成之后，可以将结果数据保存起来，这要求系统需要有良好的存储能力和数据变换能力，单台计算机的能力有限，随着数据量的增大数据库的压力也越来越大。这会导致数据的获取速度变慢，因此可以利用集群来优化场景库的性能，用多台计算机的存储资源和计算资源取代单台优异性能的计算机。常见的分布式框架可以使用springBoot+spring-Cloud，常见的大数据处理开发框架可以使用Hadoop、Spark等。

3.1.3 其他环境要素

控制除了交通流元素外的其他环境要素，如表3所示。

表3 其他环境要素

3.2 交通场景仿真微观模型建模

在驾驶场景中，交通道路最主要的元素就是车辆，因此对车流的仿真建模技术是交通仿真仿真场景构建的重要组成部分。对具有自主反应的汽车进行模型分析和建立，通过模型模拟和预测汽车下一步的运动轨迹，通过模型获得汽车的位置、速度和方向的信息。

在仿真实验中，选择性能优异的车辆移动模型是非常有必要的，它可以最大程度地模拟真实路面交通的状况。根据交通特征的细化程度，可以将移动模型分为宏观的移动模型和微观的移动模型。宏观的移动模型把车流当成研究的对象而不关心车辆个体的运动行为。当需要研究单个车辆观察车辆相互之间的制约关系时，可以选用微观的车辆移动模型，它可以详细地描述车辆的加速、减速、变道和超车等驾驶行为。对于本文的驾驶场景模型仿真，选择微观移动模型来对具体的行驶车辆进行建模有利于观察主车和手机主车行驶过程中的各方面的数据。

SUMO是一款免费的开源的交通系统仿真软件，可以实现交通流的微观控制，即具体到道路上每一辆车的运行路线都可以单独规划。SUMO最早发布于2001年，主要由German Aerospace Center下属的Institute of Transportation Systems的研究人员开发。为了模拟交通，需要许多元素，最重要的几点：①路网数据，比如马路和人行道。②额外的交通基础设施，比如红路灯。③交通参与者。

这些元素一起构成一个模拟场景。由于交通模拟模型通常用于随机行为，因此对这样的场景进行多次模拟并得出统计结论是有意义的。根据真实数据准备模拟场景通常是一个耗时的过程。SUMO提供了一个大的应用程序包来帮助完成这项任务。在定义了一个场景之后，观察模拟对象（车辆、行人、交通灯）的可视化表示，以进行定性验证是非常有用的。为此，SUMO提供了SUMOgui应用程序，允许在不同的速度下观察模拟，并有不同的颜色选择，以突出不同的方面，如速度、交通密度、道路标高或通行权规则。

在SUMO仿真软件中有几种经典的跟驰模型，主要有CarFollowing-Krauss、Smart、Car-Following-Wiedemann、 CarFollowing-PWagner、CarFollowing-BKerner和CarFollowing-IDM 6种常用的车辆跟驰模型。

这里介绍Krauss模型，Krauss模型基于安全距离来进行建模。在该模型中，后车根据上一个时间段前车与后车的距离和速度，来选择当前时刻它应保持的车速。他们之间的安全距离可以表示为：

式中：d为当前时间段车辆行驶的距离；d为前车紧急制动的距离；g为车间距。仅当公式等号成立时，所选择的速度被称为安全速度。

因为Krauss是无碰撞模型，所以车辆行驶速度不会超过安全车速，并且在每一个仿真步长，都会重新计算安全车速，根据（1）式可以得出安全速度的计算公式：

驾驶员的理想速度通常在v（道路限制最大车速），v（安全车速），v+b（当前时刻速度加上最大加速度）中选择一个最小的，驾驶员的不完美驾驶会使得速度在这个最小的速度减去一个0～b的偏移作为仿真时长的车速。Krauss模型在一定程度上避免了交通出现拥堵现象，并且对经过交通灯后的车辆控制符合实际驾驶行为。根据微观角度对模型的分析，Krauss模型对单个车辆高度的控制性能，对在城市道路环境下进行协议的仿真测试极为重要。

3.3 模型和仿真工具的结合

各个仿真工具都有自己的特点和优势，将仿真工具结合起来能够将多个仿真工具的优势结合，本文使用SUMO构建道路路网和车辆仿真模型，使用rFpro真实模拟道路场景。rFpro通过特定的接口与SUMO进行交互，使用SUMO可以在rFpro控制仿真场景中控制交通灯，车辆路径和车辆数量等等。

自rFpro2017b发布以来，SUMO插件不需要安装。只需从管理控制台的物理选项卡中选择SUMO作为所需的插件，在rFpro控制台上面设置天气包括云、雨、雪和道路潮湿程度，设置环境包括路面新旧程度、交通密度、交通信号灯的间隔时间等信息，通过在rFpro修改配置信息，如图2所示。

图2 rFpro控制台操作界面

图3 rFpro结合SUMO输出逼真图像

4 结语

随着驾驶技术的不断发展，自动驾驶慢慢地进入人们的视野，自动驾驶在实际应用前必须经过足够多的测试，实际的路测缺乏足够多的、必要的边界场景以及路测过程时间长、投入大，并且有一定的道路风险。基于数字孪生的驾驶模型构建的仿真场景将会成为自动驾驶测试的重要组成部分。

随着仿真测试和动态渲染技术的不断发展，基于场景模型仿真的自动驾驶仿真测试将会成为主要的自动驾驶算法算法测试的方法，数字孪生技术为我们带来了多尺度和高实时性的汽车和道路状况共享。通过数字孪生技术收集到的信息可以用来方便科研和生产上的数据分析和决策判断，抽象出自动驾驶仿真场景模型组成的要素和特征，对交通参与者和静态场景动态场景进行分析。通过分析自动驾驶仿真所需要的条件，如何结合数字孪生技术，提出了一种构建仿真测试的驾驶模型方法。

目前仿真模型构建技术还处于研究和探索阶段，模型的构建技术也多种多样，可以基于现实物理规律建模，也可以通过神经网络基于数据驱动建模，在未来或许可以通过两者的结合方向进行研究分析，推动仿真测试技术的发展。