道不尽的长尾，数不尽的CornerCase | 一文看懂OASIS SIM V3.0交通流如何大杀四方-CSDN博客

前言

如何获取丰富的长尾场景（Corner Case），一直是自动驾驶算法训练和测试的关键问题之一。深信科创OASIS SIM V3.0提供了一种有效的方案：通过集成原创的"AI交通流"技术，利用强化学习和合成数据的方法，使AI能够学习并再现人类真实的驾驶行为和风格，为各种车辆构建智能化行为模型。通过这一技术，OASIS SIM V3.0能够模拟出高保真的驾驶动作、复杂的交通环境和多样的危险路况，创造出一个高保真、可交互的闭环测试环境，为自动驾驶系统的安全和可靠性提供了强有力的验证平台，显著提升针对自动驾驶算法处理罕见和复杂场景能力的测试效率和深度。

AI自然交通流

NATURAL TRAFFIC FLOW

OASIS SIM自然交通流能够在仿真环境中自定义交通流，重现真实世界的交通情景，帮助测试和优化自动驾驶算法，OASIS SIM自然交通流如下图所示。

自然交通流示例

丁字路口交通流‍

拥堵交通流

OASIS SIM自然交通流主要由交通流场景编辑（生成）和场景控制两部分功能组成。交通流编辑功能支持个性化配置车辆生成区域（如主车周围生成、指定区域生成等），车辆生成密度，车辆类型比例，以及车辆行驶分布，并支持保守，正常，激进等多种驾驶风格。OASIS SIM交通流编辑功能如下图所示。

OASIS SIM动态场景交通流配置

交通流场景控制功能支持基于规则的控制模型以及基于AI的控制模型。

基于规则的控制模型：能够自动识别并适配不同道路拓扑结构，可以根据周车的交互行为做出相应的驾驶行为，如车辆跟驰、换道、车道侵入、超车、避障、遵守交通规则等，无需预先定义原子场景。

基于AI的控制模型：采用了先进的模仿学习和强化学习技术。该技术通过模拟和学习人类驾驶策略，创建出的驾驶员模型，能够更加智能、自然的与主车和周车交通环境进行交互。同时，AI控制模型可以动态适应不同道路拓扑结构下交通流分布的变化，支持高速、城区等不同场景模式下的交通流生成，也可基于路采交通流数据对交通流模型进行持续进化，不断学习特定区域交通流特征，实现更加精确的交通流生成能力，从而提升交通流整体智能水平，AI控制模型流程如下图所示。

AI控制模型技术流程图

用户可以通过基于规则的控制模型和基于AI的控制模型自定义交通流，从而进行低成本、灵活且高效的仿真测试，大幅降低研发成本，加快开发进度。

AI对抗交通流

ADVERSARIAL TRAFFIC FLOW

自动驾驶落地之前需要开展大规模测试以从统计学角度验证其安全性。但是，在真实世界中安全关键场景稀疏且难以获取。路采数据中往往缺少真实车辆之间的关键交互场景。然而，自动驾驶算法在对抗场景中的应急处置能力又直接决定了是否有交通事故的发生。因此，急需在仿真环境中搭建各种对抗场景来验证自动驾驶车辆的应变能力。。

连续换道对抗‍‍‍

多车连续对抗

弯道处超车对抗

OASIS SIM对抗交通流主要由对抗场景生成模块和对抗场景执行模块两部分组成，对抗场景生成模块主要作用是为对抗执行模块创造对抗条件。对抗场景执行模块主要作用则是保证对抗车能够根据主车当前与对抗车的相对位姿状态（位置，速度，航向角等）做出相应的决策，并保证当前的动作是有效的对抗行为。举个简单例子，如下图所示，在不同的道路拓扑结构中，我们感兴趣的对抗区域可能是不同的，十字路口主要对两车的交汇点感兴趣，此时我们可能希望对抗车能主动与主车抢占交汇点，从而测试主车的应急处置能力，而在匝道场景则是对汇流点与分流点感兴趣，我们可能希望对抗车能够干扰主车正常行驶，迫使主车汇入/汇出匝道失败，从而触发有效的对抗博弈，达到测试主车应对突发状况能力的目的。因此，对抗场景生成模块需要识别不同的对抗场景，并根据主车的运动状态，不断调整对抗车的位姿，以便对抗场景执行模块能够顺利接管并控制对抗车，并产生有效的对抗。

对抗效果示意图

OASIS SIM对抗交通流支持设置对抗时长、对抗范围以及对抗激进程度等。同时，OASIS SIM对抗交通流考虑了不同道路拓扑结构的差异性，通过对路网共性的抽象，用户可以创建对抗使能点trigger，相遇点trigger以及冲突点trigger来生成用户感兴趣的对抗场景。我们设计并部署了正常模式，截止路模式，并行模式，行人模式以及路口模式等5种对抗模式。可通过所设置的trigger点以及对抗车辆与主车的相对位姿关系，自动切换到相应的对抗模式下，并做出有效的对抗行为。可有效泛化到上下匝道、交叉路口（十/丁字路口）、车道增减、环岛、行人等不同场景中去。如上图所示，对抗交通流能够高效地测试自动驾驶系统在对抗场景下的应变能力，有效解决了传统测试成本高，泛化性差，缺乏交互等问题。