智能网联环境下个体车辆轨迹重构理论与方法：精准轨迹重构助力智能交通系统建模与优化
本期介绍的研究主题来自Tops交通控制和数字双胞胎组。标题是“在智能网络环境中重建单个车辆轨迹的理论和方法”。该主题来自中国国家自然科学基金会（52125208）：“交通系统建模和优化”。
01剪接片段，恢复全景：准确的轨迹重建有助于智能运输
剪接片段，恢复全景：智能运输的准确轨迹重建
车辆的驾驶轨迹是交通流量最直观，最全面的表达。就像在城市上安装“显微镜”一样，它可以直观地呈现每辆车的驾驶状态。该数据在许多运输领域的研究中起着重要的作用，例如交通参数估计，信号正时优化以及能耗和排放评估。但是，为了获得道路部分上所有车辆的完整驾驶轨迹，存在巨大的挑战：
1。视频监视：使用摄像头跟踪车辆的驾驶似乎是一种好方法，但是要覆盖整个道路，尤其是长期和大规模监控，处理大量视频数据不仅耗时，而且需要极高的计算资源。
2。传统的交通检测设备：诸如接地式线圈之类的固定点检测器可以在一定位置提供准确的数据，但不能提供车辆的完整轨迹。另一方面，尽管移动检测设备（例如连接车辆）可以为某些车辆提供全日制数据，但它们仅覆盖很少的车辆，并且难以完全反映交通流量。
如图1所示，当前的交通检测设备面临严重的“盲点”。因此，如何通过模型重建这些零散的轨迹已成为智能运输领域的主要研究热点。使用高级模型技术，我们希望“整理”所有车辆的完整驾驶轨迹，并为交通研究和应用提供更全面的数据支持。
图1。没有主流交通探测设备可以直接为道路上的完整样品提供车辆轨迹信息。
传统的车辆轨迹生成方法可以分为两类，依赖于不同尺度的交通模型。我们可以根据几个关键点来解释它们的差异和局限性：
1。基于微流量模型的方法：这些方法依赖于每辆车的细致模拟。他们通过经典的后续模型（例如IDM（智能驱动器模型）或Newell型号）生成了每辆车的驾驶轨迹。尽管这些模型在高渗透率环境中的性能很好，但是当仅一些车辆数据可用时，由于缺乏足够的参考轨迹，重建误差将逐渐累积，这将导致轨迹估计精度的降低。
2。基于宏流量模型的方法：这种类型的方法着重于整体流量状态。他们通常使用检测数据来估计交通流量的宏观状态（例如流量，密度，速度），然后使用这些宏参数近似车辆轨迹的重建。尽管宏模型产生的轨迹的总体误差很小，但很难捕获每辆车的微观行为，并且很难准确反映单个车辆的动态特性。
总而言之，当前主流交通探测器，包括定点检测器和运动探测器，仍然无法提供完整的车辆轨迹数据。他们只能收集零散的信息，并且数据覆盖率（穿透率）通常相对有限。另一方面，现有的轨迹重建方法通常存在错误积累或忽略车辆的微观行为的问题，这使得很难同时应用于不同的交通情况，例如高速道路和交叉点等复杂的环境。因此，我们希望开发一个通用的轨迹重建框架，可以灵活地应对不同交通情况下的复杂情况。无论是高速公路部分还是拥挤的交叉路口，都可以准确复制每辆车的驾驶轨迹，从而使交通研究和应用更加精致和全面。
02宏观与微观的组合，全面分析：从全球到细节的轨迹重建框架
宏观微集成，综合分析：重建轨迹从全球重建轨迹的框架
我们的目标是充分探索不同检测器提供的数据资源，克服重建有限数据以完成交通流的问题，并在复杂的交通情况下重现每辆车的驾驶轨迹。在本期中，我们将重点关注三种典型的流量方案：①在智能网络环境中交叉路口的车辆轨迹重建； ②在多源流量数据的融合下，在高速和高速公路上重建车辆轨迹； ③在多车道高速公路上重建车辆轨迹，包括路径方案的变化。接下来，让我们一一分析这三种情况的数据背景，重建目标和核心方法。
答：在智能网络环境中相交车辆轨迹的重建
数据环境与重建目标：随着智能网络技术的发展，CAV（连接和自动化车辆）不仅可以实时上传自己的驾驶轨迹，而且还可以通过车辆安装的雷达，相机和其他设备来感知周围环境，并检测到相邻车辆的驾驶条件。这样的数据来源为未来的智能运输研究提供了更多可能性。但是，当前的CAV渗透率仍然很低，许多车辆无法上传数据或检测周围环境。甚至配备了检测设备的车辆也具有有限的检测范围和功能，尤其是在复杂的交通环境中。例如，其他车辆和障碍物可能会阻塞视线，从而导致雷达或相机无法捕获完整的驾驶轨迹。想象一下一个交叉点：某些车辆被部分检测到，它们的驾驶轨迹是不完整的，而某些车辆可能完全“不可见”，并且根本无法访问CAV的感知范围。该数据丢失如图2所示。我们的目标是通过现有的CAV数据和这些不完整的轨迹段剪接和推断每辆车的完整驾驶路径，从而实现了交叉路口中所有车辆的驾驶轨迹的准确重建。
图2智能网络环境中交叉车车辆轨迹的重建：（a）输入是CAV的完整轨迹和周围车辆的轨迹检测段； （b）输出是交叉路口范围内车道中完整样品车辆的完整驾驶轨迹。
方法步骤：在整个重建过程中，我们将复杂的任务分解为三个关键步骤，以确保每个重建的轨迹既准确又详细。这三个步骤的过程如图3所示。有关具体技术细节，请参阅我们论文的原始文本。在这里，我们关注每个步骤的核心目的和功能。
1。流量估计和停车位置推断：首先，我们从现有的碎片轨迹开始，并使用交通流理论中的“冲击波原理”来估计每个信号周期中车辆通过交叉路口的车辆流动。简而言之，此步骤有助于我们确认需要重建的车辆数量，还可以推断每个车辆在红灯前的停车位。这个步骤就像当您感到困惑时首先寻找角落。澄清框架后，随后的重建工作将更加顺畅。
2。扩展多方向后续模型：在此阶段，根据车辆的随访行为，我们扩展了经典的IDM模型，并创建了可以从四个方向处理车辆驾驶轨迹的后续模型。这种扩展使我们能够应对各种复杂情况，例如某些车辆的部分甚至完全损失轨迹。通过产生多个候选轨迹，我们可以找到这些“缺失部分”的多个可能的驾驶路径，从而使重建更加灵活和多样化。
3。轨迹融合和精致的调整：最后，我们使用粒子过滤技术过滤和融合生成的候选轨迹，以获得最符合实际情况的完整轨迹。粒子过滤的优点是它可以在复杂的环境中找到最佳解决方案，因此最终重建的轨迹不仅是准确的，而且具有丰富的显微运动细节。
图3相交时车辆轨迹重建的流程图：（a）轨迹估计算法，包括两个部分：流量估计和候选轨迹产生； （b）轨迹融合算法，使用粒子过滤来清洁不合理的轨迹波动，使其达到交通流量的传播定律
摘要：研究的这一部分最大的创新是“四向后续模型”的提案，该建议提供了有效解决方案，以应对CAV环境中的复杂检测方案。该模型不仅可以巧妙地处理那些“有时甚至不存在”的零散的车辆轨迹，从而可以将散射的数据点“缝制为“完整的驾驶轨迹”，还可以为那些“从无到有到某物”的未发现车辆生成可靠的轨迹。它的灵活性在复杂的交通环境中尤其强大，就好像它已经找到了每辆汽车全景的“线索”。当然，当前模型的假设基于相对理想的CAV检测环境，但实际上，CAV的普及不高，并且远离广泛应用的理想状态。为了使我们的轨迹重建方法更加现实，在下一步中，我们将引入更常见的固定点检测器和浮动车辆数据，以模拟更复杂的检测环境。通过这些优化，我们希望提高模型的适应性，并允许其在实际交通情况下显示出更强的重建功能。
B：多源数据环境中高速道路车辆轨迹的重建
数据环境和重构目标：现在，让我们将注意力转向高速道路方案。与交叉路口不同，由于信号灯缺乏干扰，高速道路上的车辆在加速和减速方面更加随意，并且经常出现“停止和停止”的复杂动态。这使得基于信号光控制的轨迹重建方法在此处难以工作。为此，我们开发了一个专门为高速道路设计的轨迹重建框架。在数据源方面，我们采用了另外两个常见的选项：定点检测器和浮动车辆数据。固定点探测器通常安装在路段的中间。它们就像一个“高速摄像头”，可以准确捕获车辆穿过特定位置时的速度和时间信息，形成交通流的“快照”。但是，这样的数据仅限于固定位置，很难提供完整的车辆驾驶路径。浮动车辆数据不同，尽管覆盖范围很低，但可以从起点到终点从起点到终点的完全轨迹，并且只能获得少量的车辆。我们的目标是通过集成这两种类型的数据来重建每辆车的完整轨迹。尽管各种数据源都有其局限性，但通过科学整合和分析，我们可以将这些零散的交通信息结合到全景卷轴中。
图4多源数据环境中高速道路车辆轨迹的重建：（a）输入是浮动车辆的完整轨迹和固定点检测器检测到的横截面轨迹数据； （b）输出是道路部分车道中完整样品车辆的完整驾驶轨迹。
方法步骤：在上一次讨论中，我们提到传统的轨迹重建方法面临两个主要挑战：显微镜模型容易在低渗透率下积累错误，从而降低了准确性；尽管宏观模型在整体性质方面的表现都很好，但它忽略了单个车辆的微妙动力学，从而使轨迹不够现实。为了应对这些问题，我们提出了一个创新的“宏观融合”框架，为在高速道路环境中的轨迹重建提供了更精致的解决方案。该方法的核心流程图如图5所示，其中包含以下三个关键步骤：
1。宏级：首先，基于交通波传播特征，并结合了一些观察数据，我们在时空和空间域中构建了一个“速度场”。该速度场可以为未检测到的车辆提供合理的速度参考，以确保即使没有数据，也会呈现整个交通波的传播特性。这就像在高速公路上放置“背景网格”，为没有数据的车辆提供“运动范围”，以确保它们以合理的速度运行。
2.微型级别：接下来，我们继续在上一篇论文中提出的“多方向后续模型”，并基于Newell模型从前和反向产生多个候选轨迹。每个候选轨迹都捕获了未发现车辆的微妙行为。这就像为每辆车设计多个“行为假设”，为随后的轨迹重建提供了更多选择。
3。宏观微积分：最后，使用动态编程算法，我们将宏模型提供的速度场与微型模型生成的候选轨迹相结合，以找到最佳的重量组合。此步骤可确保轨迹不仅在动态上是合理的，而且还忠实地再现了整体交通流的传播特征，从而使重建结果既可以良好又与实际的交通状况保持一致。
摘要：创新的这一部分的亮点在于我们提出了“宏观微集成”框架的事实。这种方法巧妙地结合了宏和微交通模型的优势：在全球范围内，我们保留了宏观模型的准确捕获。在个人级别上，微型模型准确地描述了每辆车的行为。通过这种集成，我们成功地避免了两种模型的各个局限性，从而显着提高了轨迹重建的现实感和现实感。但是，当前的重建方法仍然有一定的局限性。当前的模型不考虑车辆的车道变更行为，这可能会导致多车道环境中的跨境或重叠轨迹。下一步的研究将重点介绍如何将车道变更行为纳入“宏观微集成”框架中，进一步提高该方法在实际复杂的交通情况中的适用性，并促进其在实际交通环境中的更广泛应用。
图5在宏观微集成下，完整的样品轨迹重建框架
C：用于更换车道的高速公路车辆轨迹的重建
数据环境与重建目标：在先前的研究中，我们提出了“宏观 - 微集成”轨迹重建框架。该框架通过结合宏观和微型模型的优势来大大减少各种模型的固有误差。但是，在处理多车道环境时，该框架仍然面临一些挑战，尤其是缺乏足够的考虑对车道变更行为的考虑。因此，在研究的这一阶段，我们优化了框架，并专门引入了“缺乏变化点估计模块”，以更准确地恢复车辆的车道变更过程。图6显示了这种情况下的数据环境：定点检测器安装在道路部分的上游和下游位置，提供有关单个车辆进入和离开道路部分的时间和速度的信息，而浮动车辆数据则为我们提供了有限但完全驱动的轨迹。
图6考虑道路变化方案的多源数据环境中高速道路车辆轨迹的重建：（a）输入是定点检测器和不同车道的浮动车辆数据； （b）输出是多车道的车辆驾驶轨迹的完整样本，包括车道更改过程
方法步骤：在研究的这一阶段，我们继续采用“宏观整合”框架，并通过引入改变车道的点估计方法进一步提高重建轨迹的准确性。具体步骤如下：
1。在宏观层面，我们采用更灵活的自适应平滑方法来估计交通状态并为多个车道生成速度场。这样，我们可以为不同车道的车辆提供速度基准。在微观水平上，我们为需要重建的每个车辆应用了一个扩展的后续模型，从而生成四个候选轨迹，以形成一组候选轨迹，以确保涵盖车辆的各种潜在运动路径，尤其是在不同车道上的微型行为。
2。接下来，在集成层中，我们首先处理非车道改变的车辆。通过使用宏观速度场作为约束，我们将权重分配给每个候选轨迹，并通过最佳的重量组合重建这些车辆的完整驾驶轨迹。该过程确保车辆的轨迹不仅符合宏交通流的整体动力学，而且还准确地反映了其微观行为的细节。
3。对于改变车道的车辆，我们进入分析的第二部分。我们使用了两个重要的指标：不同车道之间的“速度差”和车道变更车辆的候选轨迹的“距离差”来构建巷道变更点的优化模型（如图7所示）。通过优化的计算，我们可以确定车道变化的最佳位置，同时最大程度地减少车道变化对其他车辆轨迹的影响。这种方法使我们可以更细节地模拟车辆的车道变更行为。
图7同时考虑了宏层的速度差和微层的距离差，以建立优化模型来解决最佳通道变化位置
摘要：这部分研究有效地扩展了原始的宏观微集成框架。通过与非变化的车辆分开建模改变车道的车辆，我们不仅可以更准确地描述每辆车的运动轨迹，而且还可以确保它们在宏观和显微镜模型的约束下合理地运行。特别值得一提的是，我们为车道变更位置解决方案创建了一个优化模型，从而成功地重现了车辆的车道变更过程。这项创新大大提高了轨迹重建的准确性，并显着增强了该方法在实际交通情况中的适用性。
03灵活且准确，重新创建全局动态：在多种情况下重建轨迹
全球动力学的灵活而准确的再现：多种情况下的轨迹重建
在本节中，我们将在三种不同的交通情况下逐渐证明和分析我们的轨迹重建效应。首先，在交叉环境中，我们选择了NGSIM Lankershim St.数据和Vissim仿真数据进行验证。接下来，在高速道路方案中，我们使用了NGSIM US101和HighD数据。这些丰富的真实流量数据为验证我们的算法提供了可靠的支持。有关每个数据集的具体描述和实验设计，请参阅原始论文。在这里，我们将选择一些典型的结果来显示它们，以便每个人都可以直观地感受到我们在不同交通环境中提出的轨迹重建框架的性能和优势。
1。在交点场景中，我们创新提出了“轨迹产生→轨迹融合”的算法，该算法可以在CAV检测环境中实现具有高位置精度的全样本轨迹重建。无论是在不饱和的交叉点（较少的车辆流）还是在超饱和交叉点（极端车辆流动），该替代可以轻松地应用，以证明其灵活性和适应性。我们的算法不仅可以准确地重建车辆的驾驶轨迹，而且可以有效地恢复车辆在交叉点排队和消散的动态过程。重建轨迹如图8所示。
图8在CAV检测环境中，穿越轨迹重建的效果：（a）不饱和交叉重建轨迹； （b）过饱和穿越重建轨迹
2。在高速道路方案中，我们的宏观微集成重建框架展示了强大的功能，可以准确地重建整个交通流动，尤其是在复杂的流量情况下，“停止和停止”是复杂的交通情况。重建的轨迹不仅可以真正反映出交通流量的变化，而且还可以揭示不同交通密度下车辆移动的细微差别。图9生动地证明了这一结果，证明了我们在复杂环境中算法的鲁棒性和可靠性。通过这些清晰的轨迹线，我们可以直观地观察交通波的传播。
图9高速道路轨迹重建在多源数据融合环境中的影响：（a）实际轨迹； （b）重建轨迹（轨迹颜色代表车辆的驾驶速度）
3。在多车道检测环境中，我们提出的车道变更点估计方法显示出高识别精度，并可以有效捕获车辆的车道变化位置。如图10所示，结果表明，车辆的不同车道之间的轨迹切换是真正复制的，可以准确地反映车道时车道的动态特性。该方法不仅提高了车道变更点的识别精度，而且通过优化模型有效地减少了车道变化期间车辆轨迹的干扰。这项研究为在实际流量方案中应用宏观微集成框架的应用提供了可靠的数据支持。
图10连续两个车道中车辆轨迹重建的影响：即使在不同车道之间交通密度变化很大，该算法仍然可以有效地识别车道变换位置并重现车辆的微型车道变更过程。
04未来的想象力：重建个性化的轨迹为智能运输的新章节打开
未来的思维：个性化的轨迹重建为智能运输的新章节开辟了
在运输领域，轨迹数据起着至关重要的作用。随着智能运输系统的快速发展，对此类数据的需求将变得更加多样化和精致。在我们的项目中，我们为全样品车辆设计了一种轨迹重建算法，用于三种典型情况：交叉路口，单车道和多车道高速道路。通过巧妙地整合宏观和微交通模型的优势，我们实现了双重改进：宏模型准确地捕获了全球级别交通流量的总体特征，而微型模型则侧重于每辆车的微妙行为特征。这种组合不仅克服了传统方法中常见的误差积累问题，而且显着提高了轨迹数据的真实性和准确性，并成功地重现了车辆的车道变更细节。测试结果表明，我们的重建算法在公共数据集和模拟数据集中表现出色。重建的轨迹不仅符合动态定律，而且还真正反映了交通波的宏传播趋势。
尽管我们的算法取得了显着的结果，但未来优化的空间仍然很广。一个重要的发展方向是引入尖端的技术，例如深度学习，以便系统可以“学习”不同驱动程序的个性化驾驶方式。通过这种方式，不仅可以复制每辆汽车的轨迹，而且还可以模拟不同驾驶员的决策习惯和驾驶特性。无论是稳定而谨慎的“旧驾驶员”，还是一个疯狂的“赛车驱动程序”，它们独特的驾驶风格都将在虚拟的交通环境中生动地显示。
通过这种创新的方法，重建的轨迹将更加灵活和多样化，每辆车都可以具有独特的“个性”，从而使模拟中的车辆行为更接近现实世界。这不仅提供了更丰富的轨迹数据，用于生成和检测未来的交通情况，而且还为智能运输系统和自动驾驶技术的开发带来了重要的参考。可以想象，未来的交通模拟将不再仅限于对整体交通流的分析，而是将每辆车作为独立个人的行为动态进行深入讨论，从而使虚拟的交通场景更加现实和生动，并为交通研究提供了更多的可能性。
有关研究方法和实验设计的详细内容，请参阅本文的原始文本：
[1] Chen X，Yin J，Tang K等。在连接和自动化的车辆环境下进行信号相互作用的车辆轨迹重建[J]。 IEEE智能运输系统的交易，2022，23（10）：17986-18000。 （doi：10.1109/tits.2022.3150577）
[2] Chen X，Yin J，Qin G等。使用固定传感器数据和移动传感器数据进行单个车辆轨迹重建的集成宏观模型[J]。运输研究C部分：新兴技术，2022，145：103929。（）
[3] Chen X，Qin G，Seo T等。一种宏观微型方法，可随着车道的变化在多车道高速公路上重建车辆轨迹[J]。运输研究C部分：新兴技术，2024，160：104534。（）