上海人工智能实验室仿真框架：LimSim: A Long-term Interactive Multi-scenario Traffic Simulator

LimSim: A Long-term Interactive Multi-scenario Traffic Simulator

链接： https://arxiv.org/pdf/2307.06648.pdf
github: https://github.com/PJLab-ADG/LimSim

导读

1- 论文整合flow-base, vehicl-base, date-based dataset三种仿真框架，形成同时使用 三者优点的一个多场景长时间大规模运行的仿真系统；
2- 该系统是对自动驾驶测试，算法开发服务的
3- 该系统对接sumo实现大路网，多交通流仿真；路网中加载自然驾驶数据集，实现对多种 场景真实形成轨迹的还原。加载自动驾驶车辆，通过多车决策算法，车辆行为决策影响自然驾驶背景车流的行为，从而合理的改变dataset数据集中的车辆轨迹，实现测试车与真实环境的互相影响，并创造新的交通流场景；最后车辆动力学软件模型接手背景交通流和测试场的动力学模型，实现车辆动作的真实性。

核心内容

1- 结合flow-base软件SUMO形成的long term特点；
2- 结合data-based自然驾驶数据集形成的场景真实性特点
3-结合vehicle-base的车辆动力学模型的运动逼真特点
4- 提出与背景交通流决策交互的多车决策规划，轨迹变更的交互机制，丰富了场景多样性，增加了测试的可靠性

仿真系统框架

多类型道路场景构建

		十字路口，丁字路口，环岛，匝道，快速路等等

多源交通流生成

		基本的交通流 模型加载的交通流，跟车，换道，汇入模型等； 也包括主流的naturalistic driving datasets and srelevant standards自然驾驶数据加载；也可以加载宏观和微观的交通流模型

多车联合决策和规划

		PDP 决策过程包括三步：prediction, decision-making, planning。

多维度场景分析

		道路维度，车辆性能，车辆运动，离线，在线等方面，安全，舒适，能源消耗，轨迹质量， 行车风险，场景复杂度等等方面的量化评价

如上图：长时间大范围多场景的仿真

如上图多车决策

如上图，交互场景重构，与背景交通流互动后形成新的场景

点评

1-解决了自动驾驶背景交通流加载仿真测试的case-by-case 规模小，不能互动，且场景少，时间段等问题
2- 提出了基于自然驾驶数据集的测试车与背景交通流互动模型，大大拓展了测试的真实性和测试场景的丰富性
2-解决了虚拟交通流场景自动驾驶测试的场景不真实问题
3- 开源，且对接了很多自然驾驶数据集，以及有很多方便的API，因此自动驾驶仿真测试领域的人值得花点时间研究。