A Corridor-Scale CARLA-VISSIM Co-Simulation Framework for Multi-Intersection Urban Traffic

Sintesi Tecnica: Un Framework di Co-Simulazione CARLA–VISSIM su Scala di Corridoio per il Traffico Urbano Multi-Intersezione

Problematica
I sistemi di trasporto intelligente richiedono una modellazione accurata delle complesse interazioni veicolo–pedone, del flusso di traffico multimodale e delle operazioni di corridoio semaforizzato. Sebbene i simulatori di traffico microscopici come PTV VISSIM eccellano nella modellazione della dinamica del traffico e della logica di controllo semaforico, essi mancano dell'ambiente 3D ad alta fedeltà e della percezione a livello di sensore necessari per valutare i Veicoli Connessi e Autonomi (CAV). Al contrario, gli simulatori di guida ad alta fedeltà come CARLA forniscono il rendering fotorealistico e la simulazione dei sensori basata sulla fisica, ma mancano del supporto nativo per la dettagliata modellazione del traffico microscopico e del controllo semaforico tipici degli strumenti dedicati all'ingegneria del traffico. Gli esistenti sforzi di co-simulazione, in particolare le integrazioni CARLA–SUMO, spesso non riescono ad affrontare le specifiche sfide architettoniche e di scalabilità dei corridoi multi-intersezione o i dettagli dei comportamenti multimodali (pedoni, ciclisti, controllori semaforici) richiesti per la ricerca sui corridoi intelligenti. Inoltre, la maggior parte dei framework esistenti opera su Unreal Engine 4, perdendo i progressi nel rendering offerti da UE5 (Nanite e Lumen), che sono critici per gli studi guidati dalla percezione.

Metodologia
Gli autori presentano un framework di co-simulazione bidirezionale e sincronizzato per step che integra CARLA 0.10.0 (Unreal Engine 5) e PTV VISSIM 2026. Il sistema è progettato per supportare un dispiegamento "su scala di corridoio", definito in questo lavoro come il MLK Smart Corridor a Chattanooga, Tennessee, che comprende circa quindici intersezioni connesse (cinque semaforizzate, dieci con arresto obbligatorio).

• Generazione dei Dati e della Mappa: Il framework utilizza dati LiDAR pubblici della USGS e la topologia di OpenStreetMap (OSM). Una mappa HD (High Definition) consapevole del terreno viene generata utilizzando RoadRunner, incorporando modelli di elevazione derivati da LiDAR per garantire l'accuratezza della geometria stradale e delle variazioni di pendenza. Gli asset degli edifici sono modellati in Blender sulla base delle impronte OSM e importati in UE5. Questa mappa unificata viene implementata coerentemente in entrambi i simulatori per garantire l'allineamento geometrico.
• Architettura di Sistema: Il sistema impiega un'architettura distribuita server–client. VISSIM viene eseguito in una Macchina Virtuale (VM) Windows sull'host, mentre CARLA UE5 gira nativamente su Ubuntu. La comunicazione è gestita tramite un protocollo TCP leggero, con CARLA che funge da server e VISSIM da client. Questa configurazione evita i requisiti di memoria condivisa specifici della piattaforma e garantisce uno scambio di messaggi affidabile e ordinato attraverso il confine tra i sistemi operativi.
• Sincronizzazione e Gestione degli Attori: Il framework opera in modalità di esecuzione a passo sincronizzato (lockstep) con un intervallo di tempo fisso di 0,05 s.
  • Proprietà degli Attori (Actor Ownership): È implementato un modello di proprietà ibrida. VISSIM è la fonte autorevole per tutta la logica del traffico, i movimenti dei pedoni e il controllo semaforico.
    • Veicoli: Proprietà bidirezionale. I veicoli generati da VISSIM sono specchiati in CARLA con il movimento dettato da VISSIM; i veicoli controllati da un agente esterno in CARLA sono specchiati in VISSIM ma rimangono sotto il controllo di CARLA.
    • Pedoni e Segnali: Proprietà unidirezionale. Sono controllati esclusivamente da VISSIM e specchiati in CARLA per la visualizzazione e la percezione.
  • Aggiornamenti di Stato: Il sistema utilizza una politica di aggiornamento dello stato più recente per attore (latest-state-per-actor). Solo lo stato più recente di ogni attore viene mantenuto e applicato, evitando l'accumulo di arretrati (backlog) e riducendo la sensibilità ai ritardi di comunicazione transitori.
  • Riconciliazione delle Coordinate: Vengono applicate trasformazioni esplicite per riconciliare le diverse convenzioni di coordinate del mondo tra VISSIM e CARLA (ad esempio, l'inversione dell'asse laterale) prima dell'applicazione dello stato.
• Caso di Studio: Il framework è stato testato sul corridoio MLK a 15 intersezioni sotto carichi di picco di circa 100 veicoli e 100 pedoni. Un veicolo ego guidato da un essere umano in CARLA ha interagito con il flusso di traffico controllato da VISSIM per testare l'operatività a autorità mista.

Contributi Chiave

1. Framework su Scala di Corridoio: Un'architettura riutilizzabile che integra CARLA (UE5) e VISSIM 2026, capace di supportare l'interazione bidirezionale e sincronizzata per step attraverso un corridoio urbano multi-intersezione, una scala precedentemente non affrontata nella letteratura CARLA–VISSIM.
2. Gestione Esplicita della Proprietà e del Ciclo di Vita degli Attori: Un approccio robusto per la gestione di veicoli, pedoni e segnali in cui l'autorità comportamentale è chiaramente assegnata (VISSIM per la logica, CARLA per il rendering/percezione), prevenendo ambiguità di controllo negli scenari a autorità mista.
3. Architettura di Sincronizzazione: Implementazione di una politica di aggiornamento "latest-state-per-actor", riconciliazione delle coordinate e meccanismi di controllo a pacchetti (batched) che garantiscono un'operazione stabile sotto alta densità di traffico senza coordinamento temporale centralizzato.
4. Mappa HD Accurata sul Terreno: L'impiego di un modello di elevazione derivato da LiDAR e di una mappa HD basata su RoadRunner in modo coerente tra entrambi i simulatori, fornendo una fedeltà geometrica realistica per la valutazione a livello di corridoio.

Risultati
Il caso di studio ha dimostrato la capacità del framework di mantenere un'operazione stabile e sincronizzata in condizioni urbane realistiche:

• Stabilità: Il sistema ha mantenuto la co-simulazione lockstep con un overhead medio di elaborazione della sincronizzazione inferiore a 25 ms per step, ben entro l'intervallo di tempo di 0,05 s. Non sono stati osservati fenomeni di "ghosting", duplicati o desincronizzazione durante l'operazione a regime stazionario.
• Mirroring dei Segnali: Gli stati dei segnali stradali generati da VISSIM sono stati accuratamente specchiati in CARLA, garantendo che le fermate dei veicoli, gli attraversamenti pedonali e le transizioni di fase fossero coerenti in entrambi gli ambienti.
• Interazione Veicolo–Pedone: I movimenti dei pedoni governati dalla logica microscopica di VISSIM sono stati correttamente renderizzati in CARRA, con i veicoli (sia simulati che guidati da umani) che rispettano la precedenza dei pedoni e le fasi semaforiche.
• Operatività a Autorità Mista: Un veicolo ego guidato da un essere umano in CARLA ha interagito con successo con il traffico controllato da VISSIM, fermandosi ai semafori rossi e cedendo il passo ai pedoni, mentre il traffico circostante gestito da VISSIM percepiva e reagiva al veicolo ego.

Significatività e Rivendicazioni
L'articolo sostiene che questo lavoro affronta lacune critiche nella ricerca sui corridoi intelligenti fornendo un'architettura pratica a livello di implementazione per la co-simulazione su scala di corridoio. Gli autori affermano che:

• Il corridoio centrato su MLK funge da testbed efficace per verificare la coerenza tra i simulatori, dimostrando che la modellazione su scala cittadina completa non è un prerequisito per una valutazione significativa dei corridoi intelligenti.
• L'architettura proposta supporta una co-simulazione affidabile e pronta per la percezione, che separa la logica di controllo del traffico microscopico dalla visualizzazione ad alta fedeltà, permettendo a ciascun simulatore di operare nel proprio ambito di forza.
• Il framework consente lo studio di complesse sfide di sincronizzazione multi-intersezione e interazioni veicolo–pedone miste, che sono difficili da catturare in test su singola intersezione o in ambienti a simulatore singolo.
• Utilizzando UE5 e integrando dati del terreno derivati da LiDAR, il framework offre un realismo migliorato per gli studi guidati dalla percezione rispetto ai precedenti sistemi basati su UE4.

Gli autori concludono che questo framework fornisce una solida base per la ricerca futura sul driving human-in-the-loop, la coerenza semaforica e le interazioni del traffico misto a livello di corridoio.