A Generative Model for Closed-Loop Microsimulation of Signalized Intersections

Technische Samenvatting: Een generatief model voor closed-loop microsimulatie van verkeerslichtgestuurde kruispunten

Probleemstelling
Verkeersmicrosimulatoren (bijv. SUMO) vertrouwen traditioneel op handmatig ontworkte gedragsmodellen die de geaggregeerde doorstroming reproduceren, maar falen in het vastleggen van de heterogene, soms agressieve interacties tussen voertuigen bij verkeerslichtgestuurde kruispunten. Omgekeerd leggen geleerde trajectvoorspellers rijkere interacties vast, maar zijn ze doorgaans beperkt tot een korte horizon, worden ze open-loop geëvalueerd en zijn ze instabiel bij gebruik in een closed-loop scenario over lange horizonten vanwege foutaccumulatie. Bovendien worstelen bestaande datagestuurde benaderingen vaak met het modelleren van fysiek plausibel, sociaal consistent gedrag zonder massale datasets, en weinig van hen adresseren de specifieke structurele beperkingen van kruispunten (verkeerslichten, rijstrooktopologie, geometrie) terwijl ze een niet-stationaire actor-cohort (voertuigen die continu in- en uitstromen) behouden.

Methodologie: Enactor
De auteurs stellen Enactor voor, een actor-centrisch generatief model ontworpen voor de closed-loop microsimulatie van verkeerslichtgestuurde kruispunten. Belangrijke architecturale en trainingscomponenten zijn onder meer:

• Toestandsrepresentatie: Het model maakt gebruik van een poolcoördinaten-toestandsrepresentatie die is afgestemd op de geometrie van het kruispunt. De toestand van elke actor wordt gedefinieerd als $(r, \sin \theta, \cos \theta, s, \sin \alpha, \cos \alpha)$, waarbij $r$ de radiale afstand van het middelpunt van het kruispunt is, $\theta$ de hoekpositie, $s$ de lineaire snelheid en $\alpha$ de koerswijziging. Statische elementen (rijstroken) worden gecodeerd als polylijnen, en verkeerslichten worden gerepresenteerd als rijstrook-uiteinden met one-hot fase-encodering.
• Inputkenmerken: Een cruciale innovatie is de inclusie van de achterzijde van de bumper van de voorganger als een expliciet inputkenmerk voor elke actor. Deze geometrische aanwijzing biedt een referentie voor waar de vertraging moet eindigen, wat het "stoplijn"-probleem aanpakt. Voetgangers zijn opgenomen als contextuele buren die de aandacht van voertuigen beïnvloeden, maar worden niet voorspeld als primaire doelwitten.
• Architectuur: Enactor maakt gebruik van een Transformer-gebaseerde architectuur met twee opeenvolgende aandachtblokken:
  1. Ruimtelijk blok: Legt actor-actor- en actor-kaartinteracties vast op elk tijdstip via zelf-aandacht over buren, kaartpolylijnen en signaalvectoren.
  2. Temporeel blok: Aggregeert ruimtelijke embeddings over een historisch venster om een distributie over de bewegingsparameters van de volgende stap (snelheid $s$ en koerswijziging $\alpha$) te voorspellen.
• Output & Kinematica: Het model produceert een Mixture-of-Gaussians-distributie over $(s, \alpha)$. Tijdens de inferentie wordt een sample getrokken en wordt de volgende positie van de actor berekend via een deterministische kinematische update.
• Trainingsregime: Het model wordt getraind met een closed-loop curriculum. Aanvankelijk ontvangt het model de grondwaarheid-context; progressief wordt de grondwaarheid-context vervangen door de eigen voorspellingen van het model. Dit mitigeert covariate shift, waardoor het model leert te vertrouwen op zijn eigen voorspellingen tijdens de inferentie.
• Evaluatieregimes:
  1. Simulator-regime: Een "simulatie-in-de-loop" test waarbij Enactor alle dynamische voertuigen aanstuurt gedurende 4.000 seconden (40.000 tijdstappen) tegen een continu verversende actor-cohort bij twee kruispuntgeometrieën.
  2. Real-world regime: Evaluatie op natuurlijke data van een fish-eye camera met een single-pass, multi-horizon voorspellingsprotocol (2s, 5s, 10s). De studie onderzoekt ook de impact van preprocessing (spline smoothing) op de trajectruis.

Belangrijkste Bijdragen

1. Geometrie-bewuste Representatie: Een poolcoördinaten-toestandsrepresentatie die specifiek is afgestemd op de geometrie van het kruispunt.
2. Closed-Loop Microsimulatie: Een Transformer-gebaseerd generatief model dat is getraind en geëvalueerd als een volledige microsimulator, die stabiele rollouts van 4.000 seconden kan handhaven tegen een niet-stationaire actor-cohort, wat verschilt van standaard fixed-cohort evaluaties.
3. Feature van de Achterzijde Bumper Voorganger: Een ablatie-studie die de positie van de achterzijde van de bumper van de voorganger isoleert als het enkele inputkenmerk met het grootste effect op kruispunt-bewuste veiligheidsmetingen (specifiek regelnaleving).
4. Uitgebreide Evaluatie: Een directe vergelijking met de IntTrajSim baseline onder identieke closed-loop protocollen, naast evaluatie op real-world veldgegevens.
5. Ruisanalyse: Een empirisch onderzoek naar de effecten van upstream detectieruis (laterale drift) en de trade-offs van spline smoothing voor trainingsinputs.

Resultaten

• Realisme van de Geaggregeerde Doorstroming: In het simulator-regime herstelt Enactor de snelheid- en reistijdverdelingen van de SUMO-datagenerator met een aanzienlijk lagere KL-divergentie dan de IntTrajSim-baseline (meer dan een orde van grootte lager op reistijd; ongeveer 5× lager op snelheid bij Site 1).
• Regelnaleving: Enactor vermindert rode-lichtovertredingen met meer dan een orde van grootte vergeleken met IntTrajSim (5 overtredingen vs. 169/175 bij Site 1). De ablatie-studie bevestigt dat het verwijderen van de feature van de achterzijde bumper van de voorganger leidt tot een significante degradatie in regelnaleving (199 overtredingen), wat de noodzaak ervan voor nauwkeurig stopgedrag onderstreept.
• Veiligheidsmetingen: Hoewel Enactor de rode-lichtnaleving verbetert, blijven de Time-to-Collision (TTC) gebeurtenissen hoger dan bij de ruwe SUMO-data, wat aangeeft dat realisme bij interacties op korte afstand nog steeds een openstaand probleem is.
• Real-world Prestaties: Op natuurlijke data presteren zowel Enactor-Smooth als Enactor-Raw beter dan constant-velocity baselines op alle horizonten (2s, 5s, 10s). Enactor-Smooth vertoont een lichte voorsprong bij 2 seconden, terwijl Enactor-Raw beter presteert bij langere horizonten (5s, 10s) met betrekking tot Final Displacement Error (FDE) en binnen-drempel succesratio's, wat wijst op een trade-off tussen het verwijderen van jitter en het introduceren van smoothing-bias.

Betekenis en Claims
Het artikel stelt dat stabiele langetermijn closed-loop rollouts, realisme in geaggregeerde doorstroming en kruispunt-bewust veiligheidsrealisme onderscheidende doelstellingen zijn die verschillende ontwerpkeuzes vereisen.

• De pool-representatie en het closed-loop curriculum adresseren primair stabiliteit en geaggregeerde doorstroming.
• De feature van de achterzijde bumper van de voorganger wordt geïdentificeerd als het cruciale component voor kruispunt-bewuste veiligheid (regelnaleving).
• De auteurs beweren dat Enactor erin slaagt de kloof te overbruggen tussen korte-horizon trajectvoorspelling en lang-horizon microsimulatie, door aan te tonen dat een geleerd model een dynamische, niet-stationaire verkeersscène gedurende duizenden tijdstappen kan aansturen zonder van het wegennetwerk af te wijken.
• Het artikel erkent bescheiden dat realisme bij interacties op korte afstand (specifiek het minimaliseren van TTC-gebeurtenissen) de primaire beperking van het huidige model blijft.
• Wat betreft real-world implementatie, merken de auteurs op dat hoewel de architectuur werkt op natuurlijke data, online implementatie een causale preprocessing pipeline en bredere veldvalidatie vereist, aangezien de huidige smoothing-aanpak niet causaal is.