『成果巡礼1-同济大学』宏微观交通模型联手重构全样本车辆行驶轨迹

传统的车辆轨迹生成方法可以分为两大类，分别依赖于不同尺度的交通模型，我们可以按几个关键点来说明它们的差异和局限：

1. 基于微观交通模型的方法：这些方法依赖于对每辆车的细致模拟。它们通过经典的跟驰模型，比如IDM（Intelligent Driver Model）或Newell模型，来生成每辆车的行驶轨迹。尽管这些模型在高渗透率环境下表现不错，但当仅有部分车辆数据时，由于缺乏足够的基准轨迹，重构误差会逐渐累积，进而导致轨迹估计精度下降。

2. 基于宏观交通模型的方法：这类方法侧重于交通的整体状态。它们通常利用探测数据来估计交通流的宏观状态（如流量、密度、速度），再用这些宏观参数去近似重构车辆的轨迹。宏观模型生成的轨迹虽然整体误差较小，但是却难以捕捉每辆车的微观行为，难以准确反映个体车辆的动力学特性。

总结而言，当前主流的交通检测器，包括定点检测器和移动检测器，仍然无法提供完整的车辆轨迹数据，它们只能收集到片段化的信息，且数据覆盖率（渗透率）通常较为有限。另一方面，现有的轨迹重构方法普遍存在误差积累或忽略车辆微观行为的问题，这使得它们难以同时适用于多样化的交通场景，如高快速路与交叉口等复杂环境。因此，我们希望开发一个通用的轨迹重构框架，能够灵活应对不同交通场景中的复杂情况，无论是高速路段还是拥挤的交叉口，都能精确重现每一辆车的行驶轨迹，让交通研究和应用更加精细化、全面化。

我们的目标是充分挖掘不同探测器提供的数据资源，攻克有限数据向完整交通流重构的难题，重现复杂交通场景下每辆车的行驶轨迹。在本期中，我们将重点介绍三个典型的交通场景：①智能网联环境下的交叉口车辆轨迹重构；②多源交通数据融合下的高速和快速路车辆轨迹重构；③包含换道场景的多车道高速路车辆轨迹重构。接下来，让我们一一解析这三个场景的数据背景、重构目标及核心方法。

A：智能网联环境下的交叉口车辆轨迹重构

数据环境&重构目标：随着智能网联技术的发展，CAV（Connected and Automated Vehicle）不仅能实时上传自己的行驶轨迹，还可以通过车载雷达、摄像头等设备感知周围环境，探测到邻近车辆的行驶情况。这样的数据源为未来智能交通研究提供了更多可能性。然而，目前CAV的普及率仍然较低，很多车辆并不具备上传数据或探测周围的能力。即便是那些已配备探测设备的车辆，其探测范围和能力也有局限，尤其是在像交叉口这样复杂的交通环境下。比如，其他车辆和障碍物可能遮挡视线，导致雷达或摄像头无法捕捉到完整的行驶轨迹。想象一个交叉口场景：有的车辆部分被探测到，行驶轨迹不完整，而有的车辆可能完全“隐形”，根本没有进入CAV的感知范围。这种数据缺失情况如图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片段，来拼接、推断出每辆车的完整行驶路径，从而实现对交叉口内所有车辆的行驶轨迹的精准重构。

图2 智能网联环境下的交叉口车辆轨迹重构：（a）输入是CAV的完整轨迹和周围车辆的轨迹探测片段；（b）输出是交叉口范围内该车道的全样本车辆完整的行驶轨迹。

方法步骤：在整个重构过程中，我们将复杂的任务分解为三个关键步骤，确保每一条重构的轨迹既精准又富有细节。这三个步骤的流程如图3所示，具体的技术细节可以参考我们的论文原文，这里我们重点介绍每个步骤的核心目的和作用。

1. 流量估计与停车位置推断：首先，我们从已有的片段化轨迹入手，利用交通流理论中的“冲击波原理”来估算在每个信号周期内通过交叉口的车辆流量。简单来说，这一步帮我们确认了需要重构的车辆数量，同时还能推断出每辆车在红灯前的停车位置。这一步就像拼图时先找边角部分一样，明确框架后，接下来的重构工作会更加顺畅。

2. 多向跟驰模型的拓展：在这个阶段，我们基于车辆的跟驰行为，扩展了经典的IDM模型，创造了能够处理来自四个方向的车辆行驶轨迹的跟驰模型。这一拓展让我们能够应对各种复杂的情况，比如有些车辆的轨迹部分缺失，甚至完全丢失。通过多种候选轨迹的生成，我们可以为这些“缺失的部分”找到多个可能的行驶路径，让重构更为灵活多样。

3. 轨迹融合与精细化调整：最后，我们使用粒子滤波技术来对生成的候选轨迹进行筛选和融合，从而得到最符合实际情况的完整轨迹。粒子滤波的优势在于它能在复杂的的环境中找到最优解，使得最终重构出的轨迹不仅精准，而且具备丰富的微观运动细节。

图3 交叉口车辆轨迹重构流程图：（a）轨迹估计算法，包含流量估计和候选轨迹生成两部分；（b）轨迹融合算法，利用粒子滤波对轨迹不合理的波动进行清洗，使其满足交通流传播规律。

总结：这一部分研究的最大创新是提出了“四向跟驰模型”，为应对CAV环境下的复杂探测场景提供了有效解决方案。这个模型不仅能够巧妙处理那些“时有时无”的片段化车辆轨迹，让零散的数据点顺利“拼接”成完整的行驶轨迹，还能为那些“从无到有”的未被探测到的车辆生成可靠的轨迹。它的灵活性在复杂的交通环境下尤为强大，仿佛为每一辆车找到了通往全景的“线索”。当然，目前模型的假设是基于一个较为理想的CAV探测环境，但在现实中，CAV的普及率还不高，离广泛应用的理想状态仍有距离。为了让我们的轨迹重构方法更贴合实际，下一步我们将引入更为常见的定点检测器和浮动车数据，模拟更加复杂的探测环境。通过这些优化，我们希望提升模型的适应性，并让它在真实的交通场景中展现更强的重构能力。

B：多源数据环境下的高快速路车辆轨迹重构

数据环境&重构目标：现在让我们将目光转向高快速路场景。与交叉口不同，由于没有信号灯的干扰，高快速路上的车辆加速和减速更加随意，时常出现“走走停停”的复杂动态。这使得基于信号灯控制的轨迹重构方法在这里难以奏效。为此，我们开发了专门适用于高快速路的轨迹重构框架。在数据源方面，我们采用了两种更加普遍的选择：定点检测器和浮动车数据。定点检测器通常安装在路段中间，它就像一部“高速相机”，能够精准捕捉车辆经过特定位置时的速度和时间信息，形成一张交通流的“快照”。然而，这种数据仅限于固定位置，难以提供完整的车辆行驶路径。而浮动车数据则不同，它可以跟踪车辆从起点到终点的完整轨迹，尽管覆盖率较低，仅能获取少部分车辆的轨迹。我们的目标是通过整合这两类数据，将每辆车的完整轨迹重建出来。虽然各类数据源都有其局限性，但通过科学的融合和分析，我们能够将这些碎片化的交通信息组合成一幅全景画卷。

图4 多源数据环境下的高快速路车辆轨迹重构：（a）输入是浮动车的完整轨迹和定点检测器检测到的断面轨迹点数据；（b）输出是路段内该车道的全样本车辆完整的行驶轨迹。

方法步骤：在之前的讨论中，我们提到传统的轨迹重构方法面临两大挑战：微观模型在低渗透率下容易产生误差累积，导致精度下降；而宏观模型虽然在整体性上表现较好，却忽略了单个车辆的细微动态，使得轨迹的真实感不足。针对这些问题，我们提出了创新的“宏微观一体化”框架，为高快速路环境下的轨迹重构提供了更加精细的解决方案。这个方法的核心流程图如图5所示，包含以下三个关键步骤：

1. 宏观层面：首先，我们基于交通波传播特性，结合部分观测数据，在时空域内构建一个“速度场”。这个速度场可以为那些未被探测到的车辆提供合理的速度参考，确保即便在数据缺失的情况下，整体交通波的传播特性依然得以呈现。它就像在高速公路上铺设了一张“背景网格”，为那些没有数据的车辆提供了运动的“活动范围”，确保它们在合理的速度下运行。

2. 微观层面：接着，我们延续了之前论文中提出的“多向跟驰模型”，并基于Newell模型，从正向和逆向生成多个候选轨迹。每一条候选轨迹都捕捉到了未被探测车辆可能的细微行为。这就像为每辆车设计了多种“行为假设”，为后续的轨迹重构提供了更多选择。

3. 宏微观整合：最后，利用动态规划算法，我们将宏观模型提供的速度场与微观模型生成的候选轨迹进行结合，寻找出最优的权重组合。这一步确保了轨迹不仅在动力学上合理，还能忠实地再现整体交通流的传播特性，使重构的结果既精细又符合实际交通状况。

总结：这一部分的创新亮点在于我们提出了“宏微观一体化”框架。这种方法巧妙地结合了宏观和微观交通模型的优势：在全局层面上，我们保留了宏观模型对整体交通流的准确捕捉；在个体层面，微观模型则精准描述了每辆车的行为。通过这种整合，我们成功规避了两类模型各自的局限性，显著提高了轨迹重构的精度与真实感。不过，当前的重构方法还存在一定的局限。现阶段的模型没有考虑车辆的换道行为，这在多车道环境下可能会导致轨迹的交叉或重叠。下一步的研究将重点放在如何将换道行为纳入“宏微观一体化”框架中，进一步提升方法在实际复杂交通场景中的适用性，推动其更广泛地应用于现实交通环境。

图5 宏微观一体化下的全样本车辆轨迹重构框架。

C：考虑换道的高速公路车辆轨迹重构

图6 考虑换道场景多源数据环境下的高快速路车辆轨迹重构：（a）输入是不同车道的定点检测器和浮动车数据；（b）输出是多车道全样本的车辆行驶轨迹，并且包含换道过程。

方法步骤：在这一阶段的研究中，我们继续采用“宏微观一体化”框架，并通过引入换道点估计方法，使得重构轨迹的精度进一步提升。具体步骤如下：

1. 在宏观层面，我们采用了一种更加灵活的自适应平滑方法（Adaptive Smoothing Method），用于估计交通状态并生成多个车道的速度场。这样，我们可以为不同车道的车辆提供速度基准。在微观层面，我们为每辆需要重构的车辆应用了扩展的跟驰模型，生成了四条候补轨迹，形成一个候选轨迹集合，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观行为。

2. 接下来，在整合层中，我们首先处理非换道车辆。通过利用宏观速度场作为约束条件，我们为每一条候补轨迹分配权重，并通过最优权重组合，重构出这些车辆的完整行驶轨迹。这个过程确保车辆的轨迹不仅符合宏观交通流的整体动态，还能准确反映其微观行为的细节。

3. 针对换道车辆，我们进入第二部分的分析。我们利用不同车道之间的“速度差”以及换道车辆候选轨迹的“距离差”这两个重要指标，构建了换道点的优化模型（如图7所示）。通过优化计算，我们能够确定换道的最佳位置，同时最大程度减少换道对其他车辆轨迹的影响。这一方法让我们得以更加细致地模拟车辆的换道行为。

图7 同时考虑宏观层的速度差和微观层的距离差建立优化模型求解最优换道位置。

总结：这一部分研究对原有的宏微观一体化框架进行了有效拓展。通过将换道车辆和非换道车辆分开建模，我们不仅能够更精准地描绘每辆车的运动轨迹，还能确保它们在宏观和微观模型的约束下合理运行。特别值得一提的是，我们创建了一个专门用于换道位置求解的优化模型，从而成功地再现了车辆的换道过程。这一创新大大提升了轨迹重构的精度，同时也显著增强了方法在真实交通场景中的适用性。

图8 CAV探测环境下交叉口轨迹重构效果：（a）未饱和交叉口重构轨迹；（b）过饱和交叉口重构轨迹

2. 在高快速路场景中，我们的宏微观一体化重构框架展现出了强大的能力，能够精准地重建整个交通流的变化过程，尤其是在那些“走走停停”的复杂交通情况下。重构的轨迹不仅能够真实地反映出交通流的变化趋势，还能够揭示出在不同交通密度下车辆运动的细微差别。图9生动地展示了这一成果，展现了我们的算法在复杂环境中的稳健性和可靠性。通过这些清晰的轨迹线条，我们得以直观地观察到交通波的传播过程。

图9 多源数据融合环境下高快速路轨迹重构效果：（a）真实轨迹；（b）重构轨迹（轨迹颜色代表车辆的行驶速度）。

3. 在多车道探测环境下，我们提出的换道点估计方法展现出较高的识别精度，能够有效捕捉车辆的换道位置。如图10所示，结果显示车辆在不同车道之间的轨迹切换得到了真实重现，精确反映了换道时的动态特征。这一方法不仅提升了换道点的识别精度，还通过优化模型有效减少了换道过程中对周围车辆轨迹的干扰。这一研究为宏微观一体化框架在真实交通场景中的应用提供了可靠的数据支持。

图10 连续两个车道车辆轨迹重构效果：即使在不同车道的交通密度差异较大的情况下，算法依然可以有效的识别车辆换道位置，并再现车辆的微观换道过程。

在交通领域，轨迹数据扮演着至关重要的角色，随着智能交通系统的飞速发展，对这类数据的需求将变得更加多样化和精细化。我们课题中针对交叉口、单车道和多车道高快速路三种典型场景，分别设计了全样本车辆的轨迹重构算法。通过巧妙融合宏观与微观交通模型的优势，我们实现了双重提升：宏观模型在全局层面精准捕捉交通流动的整体特性，而微观模型则专注于每辆车的细微行为特征。这种结合不仅克服了传统方法中常见的误差累积问题，还显著提高了轨迹数据的真实性和精度，并成功再现了车辆的换道细节。测试结果表明，我们的重构算法在公开数据集和仿真数据集上的表现十分出色，重构出的轨迹不仅符合动力学规律，还真实反映了交通波的宏观传播趋势。

尽管我们的算法已取得显著成果，但未来的优化空间依然广阔。一个重要的发展方向是引入深度学习等前沿技术，令系统能够“学习”不同驾驶员的个性化驾驶风格。这样，不仅能重现每辆车的轨迹，还可以模拟出不同驾驶员的决策习惯和驾驶特点。无论是稳健谨慎的“老司机”，还是速度狂热的“赛车手”，他们独特的驾驶风格都将栩栩如生地展现在虚拟交通环境中。

通过这种创新方法，重构出的轨迹将更具灵活性和多样性，每辆车都能拥有独特的“个性”，使得仿真中的车辆行为更加接近现实世界。这不仅为未来交通场景的生成和检测提供了更丰富的轨迹数据，也为智能交通系统和自动驾驶技术的发展带来了重要参考。可以想象，未来的交通仿真将不再仅限于整体交通流的分析，而是深入探讨每辆车作为独立个体的行为动态，使虚拟交通场景更加真实、生动，为交通研究开辟更多可能性。