Scenario simulation of autonomous vehicles motion in Artificial Road Network using FLAME GPU
Table of contents
Share
Metrics
Scenario simulation of autonomous vehicles motion in Artificial Road Network using FLAME GPU
Annotation
PII
S207751800014028-9-1
DOI
10.18254/S207751800014028-9
Publication type
Article
Статус публикации
Published
Authors
Andranick Akopov 
Occupation: Chief Researcher Scholar
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Armen Beklaryan
Affiliation: HSE University
Address: Russian Federation, Moscow
Abstract

This article presents a model of the ground autonomous vehicles (AVs) motion in the Artificial Road Network (ARN) belonging to the "Manhattan Lattice" type with the implementation of the large-scale agent-based modeling framework FLAME GPU. The most important scenarios of the traffic situation development are investigated, in particular, which are associated with reducing visibility on the roads, especially in conditions of unusual behaviour of some agents of the traffic system, e.g. the unexpected appearance of obstacles such as agent-pedestrians and chaotic maneuvering of usual (i.e. manned) vehicles (MVs) having abnormal characteristics. A new approach to designing large-scale agent-based transportation simulations based on ARNs with a complex configuration and implementation using supercomputer technologies is proposed.

Keywords
autonomous vehicles, agent-based modelling, FLAME GPU, artificial transport systems
Received
09.02.2021
Date of publication
22.03.2021
Number of purchasers
0
Views
70
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1

Введение

2 В настоящее время широкому распространению беспилотных транспортных средств (БТС) препятствуют известные технические проблемы, относящиеся в основном к снижению качества систем принятия решений при маневрировании БТС в интенсивном потоке и в условиях ухудшения характеристик внешней среды, в частности, при резком снижении видимости на дорогах, неожиданном появлении агентов с аномальным поведением, например, агентов-пешеходов «возникающих» перед БТС, при наличии обычных транспортных средств (ОТС), водители которых находятся в состоянии паники, что обуславливает возникновение эффектов «турбулентности», «давки» и хаотичного маневрирования.
3 При этом, для моделирования характеристик транспортных систем применяются различные методы, среди которых можно выделить использование паттернов (шаблонов) поведения различных участников дорожного движения (БТС, ОТС, пешеходов и т.д.) для эффективного прогнозирования динамики развития дорожной ситуации при различных сценарных условиях [10], модели многочастичного взаимодействия [9], методы машинного обучения и нейросетевого управления [8], модели, основанные на Гауссовских процессах движения [5] и др. К сожалению, общим недостатком подобных подходов является трудность оценки устойчивости транспортной системы по отношению к множественным риск-факторам, таким как, резкое снижение видимости на дорогах и аномальное поведение других участников дорожного движения. Поэтому необходима разработка новых методов идентификации агентов, несущих угрозу нормальному функционированию транспортной системы масштаба «умного города». Подобные методы могут быть основаны на крупномасштабном агент-ориентированном моделировании транспортных потоков с использованием искусственных дорожных сетей (ИДС) и принятием во внимание специфики индивидуальной системы принятия решений каждого агента.
4 Ранее, в [1] был предложен феноменологий подход для моделирования поведения БТС во взаимодействии с ОТС, учитывающий понятие личного пространства агента-ТС, радиус которого является функцией плотности пространства вокруг агента. На основе данного подхода, в [2-3] была разработана система управления БТС на основе нечёткой кластеризации с реализацией на программной платформе AnyLogic. Использование предложенного алгоритма нечёткой кластеризации для поддержки маневрирования при смене полос движения, позволило минимизировать риски возникновения дорожно-транспортных происшествий (аварийных ситуаций с участием БТС) и максимизировать трафик выходного потока.
5 В отличии от [1-3], здесь предлагается крупномасштабная агент-ориентированная модель движения беспилотных транспортных средств в ИДС с более сложной конфигурацией, относящейся к классу «Манхэттенская решетка», и позволяющая, в частности, исследовать различные сценарии развития дорожной ситуации в условиях снижения видимости и при аномальном поведении других участников дорожного движения. При этом, для идентификации проблемных зон ИДС, несущих риски для БТС и других участников дорожного движения, предлагается использование хорошо известного метода быстрой агломерационной иерархической кластеризации [6], важным преимуществом которого является эндогенность количества идентифицируемых кластеров, вычисляемого в процессе построения дендограмм (последовательностей разбиения объектов на кластеры).
6 Цель данной статьи – разработка имитационной модели движения беспилотных транспортных средств (БТС) с реализацией в системе крупномасштабного агент-ориентированного моделирования FLAME GPU [7] и поддержкой возможностей сценарного анализа дорожной ситуации с целью минимизации рисков возникновения ДТП и увеличения траффика выходного потока.
7

Модель движения БТС во взаимодействии с ОТС и пешеходами

8 Предлагаемая агент-ориентированная модель движения БТС во взаимодействии с ОТС и другими участниками дорожного движения (например, пешеходами) основана на индивидуальных правилах принятия решений каждого агента для учёта различных вариантов взаимодействия транспортных средств (ТС) друг с другом и внешней средой (т.е. маневрирования, управления скоростью, выбора приоритетных маршрутов и т.д.), а также использовании системы конечно-разностных уравнений для моделирования движения ансамбля БТС и ОТС.
9 На рисунке 1 представлена схема предлагаемой ИДС, относящейся к классу «Манхэттенская решетка», в которой имеются множественные перекрестки, позволяющие БТС маневрировать в интенсивном потоке с целью объезда проблемных участков, в частности пробок и мест возникновения ДТП.
10

Рис. 1. Общая схема организации искусственной дорожной сети.

11 Важной характеристикой агента-ТС является его личное пространство, сжимаемое и расширяемое в зависимости от плотности дорожного потока относительно данного агента. Если значение плотности, то есть количество транспортных средств, расположенных вблизи агента-ТС превышает некоторый пороговый уровень (различный для ОТС и БТС), то радиус личного пространства агента резко увеличивается (из-за паники водителя) и стремления избежать аварии, вызывая эффекты «турбулентности» и «давки» (т.е. дорожные заторы) (рис. 1).
12 На рисунке 2 представлена визуализация правил принятия решений агентом-БТС, предложенных в данной модели, при наличии дорожных заторов.
13

Рис. 2. Принятия решений агентом-БТС.

14 Находясь в зоне принятия решений (рис. 2), то есть на перекрестке с разрешенным поворотом направо или налево, агент-БТС осуществляет выбор наиболее предпочтительного направления движения из двух имеющихся альтернатив, например, «прямо по ходу движения» и «поворот направо или налево в зависимости от типа перекрестка». При этом вычисляется суммарная плотность дорожных заторов «пробок», расположенных в пределах зоны ограниченного маневрирования для оцениваемых альтернативных направлений движения. В результате агент-БТС на перекрестке выбирает направление движения, которое содержит наименьшую суммарную плотность дорожных потоков с учётом приоритетности сохранения целевого направления движения, заданного в начальный момент времени. К примеру, в некоторый момент времени агент-БТС меняет целевое направление «снизу-вверх» на «слева-направо», так как оно характеризуется меньшей плотностью дорожных заторов (рис. 2). В дальнейшем, при перемещении агента-БТС в границах ИДС, целевое направление движения будет восстановлено на одном из перекрестков, если на данном направлении дорожные заторы будут отсутствовать, либо их плотность с учетом приоритетности целевого направления окажется меньше.
15 Отметим, что возможны различные конфигурации ИДС типа «Манхэттенской решетки» в зависимости от количества узлов, ширины дорог, количества полос, доли БТС в общем ансамбле ТС, различной интенсивности прибытия агентов на границу ИДС и их средней скорости. При этом, наиболее существенными для транспортной системы являются два сценария развития дорожной ситуации, в частности, связанные со снижением видимости на дорогах, особенно в условиях аномального поведения других участников дорожного движения, например, неожиданного появления препятствий в виде агентов-пешеходов и хаотичного движения отдельных обычных транспортных средств (ОТС), обусловленного паникой, недостаточным опытом вождения, неадекватным состоянием водителя и др.
16 На рисунке 3 проиллюстрирован сценарий резкого ухудшения видимости на дорогах, обуславливающий, в частности, снижение средней скорости агентов (как БТС, так и ОТС), более вероятный отказ от маневрирования, связанного с обгоном препятствий и приоритетностью сохранения текущего направления движения, т.к. при недостаточной видимости существенно снижается качество распознавания кластеров ТС и соответствующих характеристик, поэтому объезд проблемных участков ИДС оказывается затруднительным. На рисунке 3(в) показан сценарий неожиданного появления агента-пешехода на проезжей части (то есть вне зоны пешеходного перехода) в условиях недостаточной видимости и реакция агента-БТС на данное событие.
17

Рисунок 3. Поведение агента-БТС в нормальных условиях (а), при существенном снижении видимости (б), при снижении видимости и неожиданном появлении пешехода (в).

18 Таким образом, при неожиданном появлении пешехода на пути следования агента-БТС в условиях плохой видимости, реакция БТС состоит в резком увеличении радиуса своего личного пространства с целью минимизации рисков последствий некорректного распознавания координат расположения агента-пешехода на проезжей части дороги.
19 На рисунке 4 проиллюстрирован сценарий поведения агентов-ОТС с аномальными характеристиками, движение которых описывается Гауссовским процессом.
20

Рисунок 4. Поведение агента-ОТС с нормальными (а) и аномальными характеристиками (б).

21 В результате, значение дирекционного угла, определяющего текущее направление движения подобного агента-ОТС, задается в соответствии с усеченным нормальным распределением, границы которого (точки усечения) отражают возможность хаотичного маневрирования транспортного средства с использованием всей ширины проезжей части (включая возможный выезд на полосу встречного движения). При этом время нахождения агентов-пешеходов на проезжей части ИДС ограничено и существенно меньше интервала модельного времени, а доля агентов-ОТС с аномальным поведением в общем ансамбле агентов относительно мала.
22 Введем следующие обозначения:
23
  • T – набор временных моментов (в минутах), T – общее количество временных моментов; t1T , tTT – начальные и конечные моменты времени, tkT , k=1,...,T – все моменты времени;
  • I={1,2,...,I} – набор индексов агентов-ОТС, где I – общее количество ОТС;
  • I~={1,2,...,I~} – набор индексов агентов-БТС, где I~ – общее количество БТС;
  • P={1,2,...,P} – набор индексов агентов-пешеходов, неожиданно появляющихся на проезжей части ИДС, где P – общее количество пешеходов;
  • {xj(tk),yj(tk)} – координаты j -ого агента (jII~) в момент времени tk (tkT) ;
  • sj(tk){1,2,3,4} – возможные состояния j -ого агента (jII~) в момент времени tk (tkT) : sj(tk)=1 – направление движения «снизу-вверх» (рис. 1), sj(tk)=2 – направление движения «снизу-вверх», sj(tk)=3 – направление движения «слева-направо», sj(tk)=4 – направление движения «справа-налево»;
  • rj(tk) – радиус личного пространства j -ого агента (jII~P) в момент времени tk (tkT) ;
  • vj(tk) – средняя скорость перемещения j -ого агента (jII~) в момент времени tk (tkT) ;
  • s^j(tk){0,1} – возможные состояния j -ого агента-ОТС (jI) в момент времени tk (tkT) : s^j(tk)=0 – состояние аномального поведения агента, движение которого описывается Гауссовским процессом, s^j(tk)=1 – состояние нормального поведения агента;
  • S(tk){0,1} – возможные состояния видимости в ИДС в момент времени tk (tkT) : S(tk)=0 – недостаточная видимость, S(tk)=1 – достаточная видимость;
  • βij(tk) – угол смещения i -ого агента (iII~) для безопасного обгона j -ого агента (jII~P) в момент времени tk (tkT) ;
  • γij(tk) – угол отскока i -ого агента (iII~) от ближайшего j -ого агента (jII~P) , возникающий при нарушении границ личного пространства агентов-ТС с целью избежать столкновения в момент времени tk (tkT) ;
  • θi(tk) – дирекционный угол, задающий направление движения i -ого агента-ОТС (iI) с аномальным поведением в момент времени tk (tkT) в соответствии с усеченным нормальным распределением, медианное значение которого определяется текущим направлением движения агента;
  • L – множество координат зон принятия решений, то есть перекрестков с разрешённым поворотом налево по ходу движения агента-БТС;
  • R – множество координат зон принятия решений, то есть перекрестков с разрешённым поворотом направо по ходу движения агента-БТС;
  • {ρ1i(tk),ρ2i(tk),ρ3i(tk)} – плотности дорожных заторов, расположенных прямо, слева и справа по ходу движения i -ого агента-БТС (iII~) соответственно, в момент времени tk (tkT) ;
  • dij(tk) – евклидово расстояние между i -ым агентом (iII~) и j -ым агентом (jII~P) в момент времени tk (tkT) ;
  • p^ – вероятность маневрирования, связанного с обгоном (более высокая в условиях хорошей видимости), 0p^1 ;
  • h(0,1) – случайная величина, равномерно распределенная на отрезке [0,1] ;
  • pi(tk) – приоритетность сохранения текущего направления движения для i -ого агента-БТС (iI~) в момент времени tk (tkT) ;
pi(tk)=1,еслиS(tk)=0,p*,еслиS(tk)=1иvi(tk)=oi,(1-p*),еслиS(tk)=1иvi(tk)oi, где p* – заданный коэффициент приоритетности целевого направления движения ( 0p*1 ), vi(tk)={1,2,3,4} – текущее направление движения агента-БТС (1 – «снизу-вверх», 2 – «сверху-вниз», 3 – «слева-направо», 4 – «справа-налево»), oi – целевое направление движения агента-БТС, заданное в начальный момент времени.
24 Пространственная динамика перемещения i -ых агентов (iII~) описывается следующей системой конечно-разностных уравнений в момент времени tk (tkT) :
25 xi(tk)=xi(tk-1)+vi(tk)cosαi(tk-1),yi(tk)=yi(tk-1)+vi(tk)sinαi(tk-1),
26 При этом, дирекционные углы, определяющие направление движения агента-ОТС и агента-БТС задаются в соответствии со следующими правилами в момент времени tk-1 (tk-1T) :
27 αi(tk-1)=π2,есливыполняетсяI,3π2,есливыполняетсяII,0,есливыполняетсяIII,π,есливыполняетсяIV,artg±sinβij(tk-1)+sinγij(tk-1)±cosβij(tk-1)+cosγij(tk-1),есливыполняетсяV,θi(tk-1),есливыполняетсяVI,iI
28 αi(tk-1)=π2,есливыполняетсяVII,3π2,есливыполняетсяVIII,0,есливыполняетсяIX,π,есливыполняетсяX,artg±sinβij(tk-1)+sinγij(tk-1)±cosβ~ij(tk-1)+cosγij(tk-1),есливыполняетсяXI,γij(tk-1),есливыполняетсяXII,iI~
29 где:
30 I. s^i(tk-1)=1 и si(tk-1)=1 и dij(tk-1)>ri(tk)+rj(tk) ,
31 II. s^i(tk-1)=1 и si(tk-1)=2 и dij(tk-1)>ri(tk)+rj(tk) ,
32 III. s^i(tk-1)=1 и si(tk-1)=3 и dij(tk-1)>ri(tk)+rj(tk) ,
33 IV.  s^i(tk-1)=1 и si(tk-1)=4 и dij(tk-1)>ri(tk)+rj(tk) ,
34 V. h(0,1)p^ и dij(tk-1)ri(tk)+rj(tk) ,
35 VI. s^i(tk-1)=0 и dij(tk-1)>ri(tk)+rj(tk) ,
36 VII. vi(tk-1)=1 и ρ1i(tk)1-pi(tk-1)<ρ2i(tk-1)1-pi(tk-1)
37 и {xi(tk-1),yi(tk-1)}L или
38 vi(tk-1)=1 и ρ1i(tk)1-pi(tk-1)<ρ3i(tk-1)1-pi(tk-1)
39 и {xi(tk-1),yi(tk-1)}R или
40 vi(tk-1)=3 и ρ2i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
41 и {xi(tk-1),yi(tk-1)}L или
42 vi(tk-1)=4 и ρ3i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
43 и {xi(tk-1),yi(tk-1)}R и dij(tk-1)>ri(tk)+rj(tk) ,
44 VIII. vi(tk-1)=2 и ρ1i(tk)1-pi(tk-1)<ρ2i(tk-1)1-pi(tk-1)
45 и {xi(tk-1),yi(tk-1)}L или
46 vi(tk-1)=2 и ρ1i(tk)1-pi(tk-1)<ρ3i(tk-1)1-pi(tk-1)
47 и {xi(tk-1),yi(tk-1)}R или,
48 vi(tk-1)=3 и ρ3i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
49 и {xi(tk-1),yi(tk-1)}R или
50 vi(tk-1)=4 и ρ2i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
51 и {xi(tk-1),yi(tk-1)}L и dij(tk-1)>ri(tk)+rj(tk) ,
52 IX. vi~(tk-1)=3 и ρ1i(tk)1-pi(tk-1)<ρ2i(tk-1)1-pi(tk-1)
53 и {xi(tk-1),yi(tk-1)}L или
54 vi(tk-1)=3 и ρ1i(tk)1-pi(tk-1)<ρ3i(tk-1)1-pi(tk-1)
55 и {xi(tk-1),yi(tk-1)}R или
56 vi(tk-1)=1 и ρ3i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
57 и {xi(tk-1),yi(tk-1)}R или
58 vi(tk-1)=2 и ρ2i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
59 и {xi(tk-1),yi(tk-1)}L и dij(tk-1)>ri(tk)+rj(tk) ,
60 X. vi(tk-1)=4 и ρ1i(tk)1-pi(tk-1)<ρ2i(tk-1)1-pi(tk-1)
61 и {xi(tk-1),yi(tk-1)}L или
62 vi(tk-1)=4 и ρ1i(tk)1-pi(tk-1)<ρ3i(tk-1)1-pi(tk-1)
63 и {xi(tk-1),yi(tk-1)}R или
64 vi(tk-1)=1 и ρ2i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
65 и {xi(tk-1),yi(tk-1)}L или
66 vi(tk-1)=2 и ρ3i(tk)1-pi(tk-1)<ρ1i(tk-1)1-pi(tk-1)
67 и {xi(tk-1),yi(tk-1)}R и dij(tk-1)>ri(tk)+rj(tk) ,
68 XI. h(0,1)p^ и dij(tk-1)ri(tk)+rj(tk) и ¬(S(tk)=0иjP) ,
69 XII. dij(tk-1)ri(tk)+rj(tk) и S(tk)=0иjP .
70 Иллюстрация процесса формирования дирекционных углов для агентов-БТС представлена на рисунке 5.
71

Рисунок 5. Примеры дирекционных углов агентов-БТС.

72

Программная реализация модели с использованием FLAME GPU

Программная реализация предложенной имитационной модели выполнена с использованием программной платформы FLAME GPU ( >>>> ) [7], позволяющей распараллелить крупномасштабную агентую модель за счет использования множества графических процессоров GPU (вместо ограниченного числа в традиционных системах класса CPU). Численные эксперименты были выполнены на суперкомпьютере FORSITE DSWS PRO на базе QUADRO RTX 6000. При этом, в модели обеспечивается генерация до 100 000 агентов (ОТС, БТС и пешеходов) в зависимости от сценарных условий.
73 Отметим, что в отличии от традиционных вычислительных систем класса CPU [4], ориентированных на использование технологии MPI (интерфейс передачи сообщений между процессами) для распараллеливания агент-ориентированных моделей, подход на основе GPU обладает определенным преимуществом, связанным в основном с тем, что использование графических процессоров позволяет задействовать существенно большее число параллельных потоков, реализующих логику поведения каждого агента.
74 На рисунке 6 представлен пример визуализации пространственной динамики агентов с использованием ИДС класса «Манхэттенская решетка».
75

Рисунок 6. Пример визуализации пространственной динамики агентов (ОТС, БТС и пешеходов).

76

Для описания структуры модели движения БТС во взаимодействии с ОТС и пешеходами, переменных среды, конфигурации ИДС (например, количества узлов «Манхэттенской решетки», ширины дорог и др.), классов агентов и их параметров (например, пространственных координат, средней скорости и др., используется язык XML и файл XMLModelFile. В результате компиляции данного файла создаются все объекты имитационной модели, то есть классы агентов, функции и переменные в отдельном файле functions.c с кодом модели на языке C++. После этого обеспечивается программная реализация всех необходимых численных процедур, как на уровне центрального процессора (например, встроенный алгоритм агломеративной иерархической кластеризации), так и на уровне процессоров GPU, выполняющих эффективное распараллеливание агентной модели (например, алгоритм движения ансамбля взаимодействующих агентов). Ниже представлен пример подобной вычислительной процедуры, обеспечивающей обмен данными между близкорасположенными агентами-ТС с помощью поддерживаемого во FLAME GPU сегментированного взаимодействия.

77

Вычислительная процедура, обеспечивающая обмен данными между близкорасположенными агентами-ТС

78 Передаваемые между агентами-ТС сообщения, в частности, содержат информацию об их пространственном местоположении, что также позволяет оценивать плотность пространства вокруг каждого агента и устанавливать значение радиуса его личного пространства в зависимости от плотности.
79

Результаты имитационного моделирования

Значения основных управляющих параметров разработанной имитационной модели представлены в таблице 1.
80

Таблица 1. Основные управляющие параметры модели

№ Сценария Количество узлов ИДС Доля агентов в ансамбле транспортных средств Количество генерируемых агентов с заданной периодичностью Периодичность создания новых агентов в ИДС (интервал модельного времени между генераций новых агентов) Средняя начальная (т.е. до маневрирования) скорость ТС Приоритетность сохранения целевого направления Состояние видимости на дорогах (0 недостаточная, 1 - нормальная)
    БТС ОТС с аномальным поведением ОТС и -БТС Пешеходы   БТС ОТС    
1 9 0.8 0.1 10 10 10 10 10 0.9 0
2 9 0.5 0 10 0 10 5 5 0.8 1
3 9 0.5 0.05 5 10 1 10 10 0.9 0
4 3 0.7 0.25 10 10 10 5 5 0.8 1
5 6 0.5 0 10 0 10 8 8 0.9 0
6 9 0.9 0 4 0 4 5 10 0.6 1
7 12 0.5 0.3 10 10 10 10 10 0.9 0
8 9 0.9 0.1 1 100 1 5 10 0.8 1
9 9 0.1 0.1 10 0 10 9 10 0.9 0
10 9 0.9 0.1 2 100 2 10 10 0.5 1
11 12 0.5 0.2 20 100 5 10 10 0.9 0
12 12 0.5 0.2 20 10 5 10 10 0.8 1
13 9 0.5 0.05 10 10 10 10 10 0.9 0
14 3 0.5 0.05 10 10 10 8 8 0.6 1
15 3 0.5 0.1 10 10 2 10 10 0.9 0
16 6 0.5 0.1 10 10 2 7 7 0.7 1
17 6 0.5 0.1 10 50 10 10 10 0.9 0
18 12 0.5 0.3 20 50 5 10 10 0.5 1
19 12 0.5 0.3 20 100 5 10 10 0.9 0
20 12 0.7 0.3 20 100 5 5 5 0.4 1
81 На рисунке 7 показана динамика количества потенциальных аварий для исследуемых сценариев развития дорожной ситуации.
82

Рисунок 7. Модельная динамика количества потенциальных аварий (ДТП).

83 Агрегированные результаты имитационного моделирования представлены в таблице 2.
84 Таблица 2. Агрегированные результаты имитационного моделирования.
№ Сценария Количество транспортных средств корректно покинувших ИДС Количество потенциальных аварий Количество созданных агентов (ОТС, БТС и пешеходов) Среднее количество кластеров-«пробок» Среднее количество транспортных средств в одном кластере Время прогона модели, сек.
1 1161 655 10000 114 6 16
2 1409 467 9000 103 5 12
3 5247 18518 55000 449 42 876
4 540 116 4000 21 6 15
5 905 503 6000 93 6 11
6 1325 268 9000 75 3 13
7 1302 1030 13000 203 6 20
8 1049 44 109000 43 1 29
9 1141 810 9000 131 8 13
10 1106 117 59000 60 1 21
11 5067 18983 68000 616 31 946
12 7036 6440 50000 814 9 160
13 1083 695 10000 130 6 16
14 631 129 4000 35 3 12
15 2110 6025 20000 87 70 71
16 5752 4639 35000 258 19 70
17 882 499 11000 93 6 15
18 7305 6612 58000 757 9 131
19 4990 18604 68000 644 29 925
20 6050 6308 68000 624 10 138
85 Как следует из рисунка 7 и таблицы 2 существуют высоко рискованные сценарии развития дорожной ситуации с участием БТС (в частности, Сценарии 3, 11 и 19), при которых наблюдается аномально высокий уровень числа потенциальных аварий. Данным сценариям соответствует состояние ИДС, характеризуемое недостаточным уровнем видимости, большим количеством пешеходов, неожиданно возникающих на проезжей части перед ОТС и БТС, сверхвысокой интенсивностью прибытия транспортных средств в ИДС (Сценарий 3), высокой долей (до 30%) агентов-ОТС с аномальным поведением (Сценарии 11 и 19). Отметим, что на практике комбинация подобных неблагоприятных факторов маловероятна. Вместе с тем условия недостаточной видимости не являются принципиальным препятствием для использования БТС, так как имеется множество сценариев, при которых недостаточная видимость не приводит к существенному увеличению количества потенциальных аварий (например, Сценарии 1, 9 и 17). При этом увеличение доли БТС в общем ансамбле ТС приводит к существенному уменьшению количества дорожных заторов и количества потенциальных аварий (Сценарий 8).
86 На рисунках 8-10 представлена визуализация пространственной динамики агентов-ТС для Сценариев 3, 11 и 19, несущих наибольшие угрозы безопасности «умному городу», построенному с использованием ИДС класса «Манхэттенская решетка».
87

Рис. 8. Визуализация пространственной динамики агентов – Сценарий 3.

88

Рис. 9. Визуализация пространственной динамики агентов – Сценарий 11.

89

Рис. 10. Визуализация пространственной динамики агентов – Сценарий 19.

90

Заключение

91 В данной статье представлен новый подход к сценарному моделированию движения беспилотных транспортных средств (БТС) в искусственной дорожной сети (ИДС) класса «Манхэттенская решетка» с реализацией в системе крупномасштабного агент-ориентированного моделирования FLAME GPU с целью минимизации рисков возникновения ДТП. Разработана новая имитационная модель движения БТС во взаимодействии с другими агентами (БТС, ОТС, ОТС с аномальным поведением и пешеходами), позволяющая оценивать влияние множества управляющих параметров на динамику потенциальных аварий (ДТП) и траффик выходного потока, в частности, учитывающая состояние недостаточной видимости, неожиданное появление пешеходов на проезжей части и наличие агентов-ОТС с аномальным поведением, движение которых описывается Гауссовским процессом (рис. 1-5).
92 Выполнена программная реализация модели движения ансамбля БТС с использованием FLAME GPU и языка программирования C++ (рис. 6), в частности, обеспечивающая эффективное распараллеливание агентной модели на уровне процессоров GPU, а также реализацию всех вычислительных процедур, в том числе, алгоритма быстрой агломерационной иерархической кластеризации [6], процедуры обмена данными между близко расположенными агентами-ТС на основе поддерживаемого во FLAME GPU сегментированного взаимодействия, и др.
93 Исследована динамика количества потенциальных аварий с участием БТС, ОТС и пешеходов (рис. 7), и другие характеристики искусственной транспортной системы (табл. 2). В результате, определены конкретные сценарии развития дорожной ситуации со своими характеристиками (табл. 1, рис. 8-10), представляющие угрозу нормальному функционированию транспортной системы масштаба «умного города» и характеризуемые, в частности, комбинированными условиями недостаточной видимости, наличием значительного числа пешеходов, неожиданно возникающих на проезжей части, высокой интенсивностью прибытия транспортных средств в ИДС и др.
94 Дальнейшие исследования будут направлены на оптимизацию параметров индивидуальной системы принятия решений, устойчивой по отношению к характеристикам ИДС и факторам внешней среды.

References

1. Akopov A.S., Beklaryan L.A., Khachatryan N.K., Beklaryan A.L., Kuznetsova E. V. Mnogoagentnaya sistema upravleniya nazemnymi bespilotnymi transportnymi sredstvami // Informatsionnye tekhnologii. 2020, T. 26. № 6.

2. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 1. Model' dvizheniya transportnykh sredstv // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 9.

3. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 2. Nechetkaya klasterizatsiya i programmnaya realizatsiya // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 10.

4. Makarov V.L., Bakhtizin A.R., Beklaryan G.L., Akopov A.S. Razrabotka programmnoj platformy dlya krupnomasshtabnogo agent-orientirovannogo modelirovaniya slozhnykh sotsial'nykh sistem // Programmnaya inzheneriya. 2019, T. 10, № 4. S.

5. Guo Y., Kalidindi V.V., Arief M., Wang W., Zhu J., Peng H., Zhao D. Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field, in Proceedings of IEEE Intelligent Transportation Systems Conference (ITSC2019). IEEE, 2019

6. Mullner D. Fastcluster: Fast Hierarchical, Agglomerative Clustering Routines for R and Python. Journal of Statistical Software. 2013, Vol. 53, no. 9

7. Richmond P., Coakley S., Romano D. Cellular Level Agent Based Modeling on the Graphics Processing Unit (with FLAME GPU) // Briefings in Bioinformatics. 2010, Vol. 11, no. 3

8. Ries L., Langner J., Otten S., Bach J. Sax E. A Driving Scenario Representation for Scalable Real-Data Analytics with Neural Networks, in Proceedings of 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019

9. Treiber M., Hennecke A., Helbing D. Congested traffic states in empirical observations and microscopic simulations // Physical review E, vol. 62, no. 2

10. Zhao D., Lam H., Peng H., Bao S., LeBlanc D. J., Nobukawa K., Pan C. S. Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques // IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 3, 2017