- António Rodrigues, 22202884
- Rafael José, 22202078
-
António Rodrigues:
- Carros
- Árvore de comportamento (Behavior Tree)
- Efeito de alcoolismo (Chaos)
- Pathfinding
- Peões
- Sistema de troca de cor
- Agentes fixos do ambiente
- Semáforos
- Sinais de Stop
- Estradas
- Destinos
- Game Manager
- Definições dos carros
- Gerador de carros
- Contador de carros
- Métodos para UI
- UI
- Botões
- Texto
- Câmera
- Câmera com movimentação de teclado para a build
- Relatório
- Metodologia
- Carros
- Estradas
- Destinos
- Semáforos
- Sinais Stop
- Metodologia
- Carros
-
Rafael José:
- Peões
- Árvore de comportamento (Behavior Tree)
- Efeito de alcoolismo (Chaos)
- Pathfinding
- Agentes fixos do ambiente
- Passadeiras
- Passeios
- Game Manager
- Definições dos peões
- Definições de chaos
- Definições de acidente
- Gerador de peões
- Contador de peões
- Relatório
- Introdução
- Estado da Arte
- Metodologia
- Peões
- Game Manager
- Resultados e discussão
- Conclusões
- Context
- Efeito de piscar (Blink effect)
- Limpeza e organização do projeto
- Peões
Este projeto centra-se no desenvolvimento de um modelo de tráfego urbano com uma temática alienigena, no Unity que simula de forma realista a interação entre diferentes agentes, carros e peões, num ambiente citadino. Para modelar o comportamento dos agentes, utilizamos o TheKiwiCoder - behavior tree [1][2], um package que permite a criação de árvores de comportamento através da interface do Unity. Esta interface usa nodes para definir comportamentos, que incluem ações, composições e decoradores, necessitando de programação em C# para executar comportamentos específicos conforme necessário, os comportamentos de cada agente são explicados na secção metadologia. Complementando esse comportamento, os agentes utilizam pathfinding baseado na navmesh do Unity para navegar no ambiente urbano, calculando rotas eficientes que evitam obstáculos e respeitam as regras de trânsito, semáforos, sinais stop e passadeiras, para uma movimentação mais fluida e realista. Contudo, um elemento do projeto é a capacidade de introduzir um modo 'caos', no qual um agente pode deixar de obedecer às regras de trânsito, aumentando a probabilidade de comportamentos imprevisíveis e caóticos, o que pode resultar em acidentes dentro da simulação.
O ambiente urbano simulado inclui componentes essenciais como passeios, estradas, passadeiras, sinais stop, carros e peões. A cidade é composta por vários destinos, acessíveis através de uma rede integrada de estradas para carros e passeios para peões. Todos os elementos são desenhados para influenciar realisticamente o movimento e o comportamento dos agentes.
A pesquisa para este projeto incluiu uma revisão de estudos e trabalhos recentes sobre simulação de tráfego em cidades, com foco em modelagem baseada em agentes e o uso de técnicas de inteligência artificial para a gestão de tráfego. As fontes consultadas, através de plataformas como o Google Scholar, forneceram uma base sólida para a seleção das tecnologias implementadas e ajudaram a moldar as técnicas utilizadas para atingir os objetivos do projeto, incluindo o desenvolvimento de cenários de caos controlado para testar a resiliência da simulação.
Nesta secção, iremos apresentar uma pequena pesquisa feita sobre este tipo de simulações, com recurso a trabalhos semelhante, descrevendo-os e comparando-os com o nosso trabalho.
The Action Point Angle of Sight: A Traffic Generation Method for Driving Simulation, as a Small Step to Safe, Sustainable and Smart Cities
Este trabalho aborda o desenvolvimento de um gerador de tráfego para simulações de condução, denominado "Action Point Angle of Sight" (APAS), que visa aprimorar a autenticidade das simulações de tráfego usadas para testar carros autónomos e melhorar a segurança rodoviária. Este método é projetado para integrar-se com simuladores de condução modernos, oferecendo uma abordagem mais naturalista e precisa para a geração de tráfego em ambientes urbanos.
A principal inovação do APAS é a sua capacidade de simular interações baseadas em física entre carros, infraestruturas e condições ambientais variáveis, como o clima. Utiliza modelos avançados que permitem a simulação de comportamentos de tráfego realistas, como a observância das regras de trânsito e a reação a fatores estocásticos, como carros aleatórios e variações de velocidade. Ao contrário de simuladores tradicionais que frequentemente reciclam tecnologias antigas e apresentam limitações na representação de fluxos de tráfego mistos e caóticos, o APAS foi desenvolvido para superar essas barreiras, oferecendo uma ferramenta robusta e versátil para o estudo e planeamento de tráfego urbano. [3]
- Abordagem de Simulação de Tráfego:
- Ambos os projetos visam aprimorar as simulações de tráfego, mas o nosso projeto foca a criação de um ambiente urbano com múltiplos tipos de agentes, utilizando behavior trees para modelar uma gama variada de comportamentos de tráfego, incluindo a interação entre carros e peões. Por outro lado, o APAS desenvolve um método específico que melhora a geração de fluxos de tráfego mistos e realistas, focando-se na precisão dos movimentos e nas respostas dos carros autonomos em condições variadas de tráfego.
- Integração de Comportamentos Realistas:
- O nosso projeto implementa uma abordagem para simular comportamentos de tráfego e interações entre agentes, destacando-se na modelação de cenários urbanos dinâmicos. O APAS, por sua vez, concentra-se na utilização de uma nova fórmula teórica para simular de forma eficaz os comportamentos de carros em resposta a variáveis estocásticas, como carros aleatórios e variações de velocidade, visando uma simulação que se aproxima das condições reais de condução.
Este trabalho explora a criação de um sistema de tráfego urbano interativo utilizando a realidade virtual (VR) para simular diferentes cenários de tráfego numa cidade modelo da Europa Central. Utilizando engine Unity, os autores desenvolveram um ambiente virtual imersivo que permite aos utilizadores experimentar condições de tráfego dinâmicas de forma visual e interativa. O foco do sistema é proporcionar uma plataforma que possa visualizar e simular a complexa interação entre peões, transporte individual e público.
A principal inovação apresentada é o uso de um sistema de tráfego modular e personalizável dentro do Unity, que reage ao comportamento individual dos utilizadores, incluindo a movimentação do avatar. Isto é crucial para evitar acidentes ou congestionamentos de tráfego irremediáveis. Esta ferramenta elimina a necessidade de software de terceiros, tornando-a uma opção valiosa para desenvolvedores que procuram implementar sistemas de tráfego em ambientes virtuais imersivos.
A metodologia aplicada baseia-se nas capacidades atuais do Unity, permitindo a criação de objetos 3D. O sistema de tráfego emprega uma rede de waypoints, onde os carros seguem rotas predeterminadas, interagindo com semáforos e outros elementos do tráfego conforme programado. Este sistema também permite ajustes em tempo real dos parâmetros de tráfego para refletir mudanças no cenário simulado. [4]
- Flexibilidade e Parametrização:
- Ambos os projetos oferecem sistemas de tráfego onde os parâmetros podem ser ajustados pelos utilizadores para modificar cenários de tráfego, destacando-se pela capacidade de responderem a ajustes definidos pelo utilizador para refletir diferentes condições urbanas.
- Interação e Realismo no Tráfego:
- O nosso projeto e o sistema descrito no artigo investem em criar simulações que capturam interações realistas entre os componentes do tráfego. Ambos utilizam técnicas para gerir e simular o movimento de carros e o comportamento dos agentes em ambientes urbanos com o objetivo de aumentar o realismo da simulação.
Este estudo introduz o projeto "Westdrive", uma cidade virtual desenvolvida no Unity para estudos em realidade virtual, focada em navegação espacial e aspetos éticos de decisões em ambientes urbanos. A cidade virtual de Westdrive abrange uma área de 230 hectares e inclui até 150 carros autónomos e 655 pedestres ativos e passivos, além de milhares de elementos naturais para criar um ambiente dinâmico e realista.
O projeto é open-source e modular, construído para ser facilmente adaptável às necessidades variadas de experimentos científicos. Oferece uma ferramenta chamada "City AI toolkit" que permite aos utilizadores criar avatares e personalizar carros sem necessidade de conhecimento prévio em programação, facilitando o uso de suas funcionalidades integradas no engine Unity.
A estrutura do projeto permite uma implementação simples de ambientes complexos, onde todos os componentes podem ser usados independentemente. A simulação envolve elementos estáticos, como edifícios e árvores, e dinâmicos, como carros e pedestres que se movem de acordo com scripts programáveis. A interação dos objetos é controlada por um conjunto de ferramentas que administram os percursos, os carros e os comportamentos dos pedestres dentro da simulação. [5]
- Modularidade e Personalização:
- O nosso projeto permite a personalização de cenários de tráfego e comportamentos de agentes, o que é semelhante ao Westdrive. No entanto, o Westdrive destaca-se pela sua estrutura altamente modular e scriptável, que facilita a adaptação às necessidades específicas de diferentes estudos de pesquisa, oferecendo um toolkit que permite aos usuários modificar avatares e carros sem programação direta.
- Facilidade de Implementação e Adaptação:
- O Westdrive oferece uma plataforma que minimiza as barreiras técnicas para a configuração de experimentos, integrando todas as funções principais na interface gráfica do Unity e permitindo modificações sem codificação direta. O nosso projeto, embora possa exigir um conhecimento técnico mais profundo para personalizações e ajustes, oferece uma flexibilidade para adaptar o comportamento do tráfego conforme necessário.
A implementação deste trabalho foi feito em 3D, utilizando o game engine Unity. A simulação é feita numa cidade com ruas, estradas, passeios e passadeiras.
Os peões são gerados aleatoriamente no inicio da simulação, sendo possível definir o número máximo de agentes a serem gerados (Game manager - numberOfPedestrians), num tempo aleatório entre 0 e um intervalo máximo de tempo definido pelo utilizador (Game manager - maxDestinyTimePedestrians). Têm um comportamento definido por uma árvore de comportamento (Behavior Tree - Pedestrian Tree), a qual tem 3 estados principais: normal (ou sóbrio), bêbado e em acidente.
Os peões em estado normal têm um destino aleatório e tentam chegar até ele, todos eles com uma velocidade diferente, respeitando as regras de trânsito, no qual vão permanecer num tempo aleatório entre 0 e um intervalo máximo de tempo definido pelo utilizador (Game manager - maxDestinyTimePedestrians) até voltarem a sair de lá para outro destino aleatório.
Cada vez que um peão sai do seu destino há uma probabilidade de sair de lá bêbado. Quando um peão está bêbado, o seu comportamento muda, passando a andar de forma mais errática e a ignorar as regras de trânsito, com uma velocidade aleatória, que pode ser mais baixa do que o seu mínimo no estado normal ou mais alta do que o máximo no seu estado normal. A probabilidade de um peão sair bêbado do seu destino é definida pelo utilizador (Game manager - chaosChance). E dura um tempo aleatório entre 0 e um intervalo máximo de tempo definido (Game manager - maxChaosTime), o peão volta ao estado normal. Durante este estado o peão está ainda a piscar para indicar que está bêbado, entre a sua cor original e a cor vermelha, a velocidade deste efeito é definida pelo utilizador (Game manager - blinkSpeed).
Quando um peão está em acidente, este fica parado no local do acidente durante um tempo aleatório entre 0 e um intervalo máximo de tempo definido pelo utilizador (Game manager - maxAccidentTime), após o qual acabar volta ao estado normal. Este estado é ativado quando um peão colide com um carro. Durante este estado o peão está a piscar para indicar que está em acidente, entre a sua cor original e a cor vermelha, a velocidade deste efeito é definida pelo utilizador (Game manager - blinkSpeed).
Os peões são representados pelo modelo de um alien. Este modelo muda de cor sempre que é gerado.
Os carros são gerados aleatoriamente no inicio da simulação, sendo possível definir o número máximo de agentes a serem gerados (Game manager - numberOfCars), estes são gerados instantaneamente nas localizações iniciais, se houver mais que um para ser gerado nessa localização, há um atraso de tempo definido pelo utilizador até o próximo carro ser gerado nessa localização (Game manager - timerForCarToSpawn). Têm um comportamento definido por uma árvore de comportamento (Behavior Tree - Car), a qual tem 3 estados principais: normal (ou sóbrio), bêbado e em acidente.
Os carros em estado normal têm um destino aleatório e tentam chegar até ele, cada prefab de carro tem uma velocidade diferente, respeitando as regras de trânsito, verificam se há peões no caminho, se têm um sinal de stop à frente ou um semáforo. Estas verificações são feita com RayCast's. Nesses casos o carro trava e fica parado uns segundo no node Wait. Quando chegam ao seu destino, recebem um novo destino, desaparecem uns segundos e voltam a aparecer.
Enquanto o carro navega a cidade, tem uma chance baixa de ficar bêbado e ignorar as regras de trânsito. Não parando em sinais de stop, semáforos ou passadeiras para os peões passarem. Durante este estado o carro está a piscar para indicar que está bêbado, entre a sua cor original e a cor vermelha, a velocidade deste efeito é definida pelo utilizador (Game manager - blinkSpeed). Este node retorna sucesso se o carro estiver bêbado, passando a frente as verificações por semáforos e peões.
Os carros quando estão em acidente têm um comportamento muito parecido ao de quando estão bêbados, mas para além de passar as verificações a frente, também reduz a velocidade deles para 0.
O colisor quadrado na parte da frente de cada carro é o detetor de peões, os peões como são mais pequenos que os carros, por vezes andavam entre os RayCast's dos carros e o carro atropelava-os. A solução foi usar um collider que enquanto tiver peões não avança.
O carro miner tem uma velocidade baixa de 4.
O carro carrier tem uma velocidade média de 6.
O carro speedster tem uma velocidade alta de 8.
Os carros têm sempre o mesmo tipo de destino, a garagem duma casa. Os peões têm como destino a porta da casa ou o jardim nos pontos vermelhos assinalados.
Os semáforos são agentes fixos do ambiente que trocam entre dois estados, verde e vermelho. Quando está vermelho, ativa um colisor por baixo dele que os carros detetam durante a sua verificações de colisões. Quando está verde, desliga esse colisor.
Os sinais de stop são agentes fixos do ambiente. Têm um colider ao lado deles que é verificado pelo carro. O carro ao verificar esta colisão, guarda que já colidiu com este sinal de stop, e não volta a parar em sinais de stop, assim que passa pelo collider do sinal de stop e sai, volta a colidir com sinais de stop.
As estradas em que os carros andam são separadas por peças. Estas peças são compostas por planos pretos para o chão, NavMeshLinks e um colisor para divir as faixas. Os NavMeshLink são colocados nas pontas das peças para unir as peças das estradas e garantir uma circulação de uma só direção, estão representados por vermelhor e verde. Os colisores das faixas garantem que os carros andam apenas num faixa, permitindo haver duas faixas na mesma peça com direções opostas, este colisores são transparentes.
O Game Manager é o objeto que controla o estado, antes e durante, da simulação. É aqui que permite que a simulação seja personalizada, permitindo ao utilizador definir tudo o que é passível de ser definido. E esses parâmetros são:
- Peões (Pedestrians)
- pedestrianPrefab: prefab do peão,
- numberOfPedestrians: número máximo de peões a serem gerados no inicio da simulação,
- pedestriansSpawnPoints: possíveis pontos de spawn e destino dos peões,
- maxDestinyTimePedestrians: intervalo máximo de tempo para um peão ser gerado ou estar parado num destino.
- Carros (Cars)
- carPrefabs: prefabs dos carros,
- numberOfCars: número máximo de carros a serem gerados no inicio da simulação,
- carSpawnPoints: possíveis pontos de spawn e destino dos carros,
- timeForCarToSpawn: intervalo de tempo entre a geração de carros no mesmo ponto.
- Caos (Chaos)
- chaosChance: probabilidade de um agente começar a comportar-se de forma errática,
- maxChaosTime: intervalo máximo de tempo máximo para um agente estar em estado de caos,
- blinkSpeed: velocidade do efeito de piscar de um agente em estado de caos.
- Acidente (Accident)
- maxAccidentTime: intervalo máximo de tempo para um agente estar em estado de acidente.
- UI
- carsText: text que mostra o número de carros ativos,
- pedestriansText: text que mostra o número de peões ativos.
A simulação que realizámos demonstrou comportamentos alinhados com as expectativas programadas e revelou algumas dinâmicas emergentes interessantes. Como esperado, os carros e peões cumpriram as regras de trânsito, com carros a parar em semáforos, sinais stop e passadeiras quando há peões a atravessar, e peões a utilizarem os passeios e passadeiras destinadas para eles. Esta fidelidade nas ações dos agentes valida o uso das behavior trees e pathfinding na modelação do comportamento dos agentes.
Inesperadamente, observámos comportamentos emergentes não explicitamente programados, como os peões a desviarem-se autonomamente uns dos outros, e os carros com tendência de se desviar dos peões antes de efetivamente parar para eles atravessarem nas passadeiras. Este comportamento emergente, é resultado do sistema de pathfinding baseado em navmesh, sugere que o modelo pode efetivamente processar e adaptar-se a complexidades não antecipadas do ambiente simulado, garantindo uma navegação mais realista e fluida.
Quanto ao modo 'caos', os carros e peões consistentemente ignoraram as regras de trânsito, os carros ignorando sinais stop e semáforos, e os peões atravessando a estrada sem respeitar as passadeiras. Este comportamento imprevisível resultou em acidentes frequentes, enquanto o modo estava ativo, mesmo que com baixa probabilidade deste ser ativo, com carros a colidirem uns com os outros e com peões, e peões a serem atropelados por carros. Este cenário de caos controlado permitiu-nos testar a resiliência da simulação e avaliar a capacidade dos agentes de lidar com situações de tráfego extremas.
A análise dos resultados da simulação demonstra uma relação direta entre as configurações definidas no GameManager e o comportamento dos agentes. As behavior trees e o pathfinding mostraram-se eficazes, com os agentes a cumprir as regras de trânsito em condições normais e a exibir comportamentos emergentes, como os peões a desviarem-se uns dos outros e os carros a reduzirem a velocidade antes de parar nas passadeiras. Estes comportamentos emergentes confirmam que o sistema de pathfinding baseado em navmesh está a adaptar efetivamente as trajetórias para evitar colisões, garantindo uma movimentação realista e segura dos agentes.
O modo 'caos' revelou-se uma ferramenta valiosa para testar a resiliência da simulação e avaliar a capacidade dos agentes de lidar com situações extremas de tráfego. Os acidentes frequentes observados durante o modo 'caos' destacam a importância de considerar cenários de tráfego imprevisíveis e caóticos na modelação de ambientes urbanos, e a necessidade de implementar estratégias de segurança e prevenção de acidentes para proteger os agentes e garantir a segurança do tráfego.
Os comportamentos inesperados, como a evasão autónoma, reforçam a importância de ajustes contínuos nas behavior trees e nas configurações de pathfinding, com o objetivo de melhorar o realismo e a resposta dos agentes nas simulações.
O desenvolvimento deste projeto permitiu-nos explorar e implementar técnicas de simulação de tráfego urbano, incluindo behavior trees, pathfinding e cenários de caos controlado. A simulação resultante demonstrou a eficácia dessas técnicas na modelação de comportamentos realistas de carros e peões, com agentes a cumprir as regras de trânsito, a evitar colisões e a adaptar-se a cenários de tráfego.
Os resultados confirmaram que o modelo é capaz de replicar as regras de trânsito e comportamentos esperados, enquanto revela comportamentos emergentes como a capacidade dos peões de desviar-se autonomamente e dos carros de ajustar suas trajetórias antes de parar nas passadeiras. No entanto, a simulação também revelou a importância de considerar cenários de tráfego extremos, como o modo 'caos', para testar a resiliência da simulação e avaliar a capacidade dos agentes de lidar com situações imprevisíveis.
Esta simulação está alinhada com a pesquisa que realizámos sobre a aplicação de técnicas de IA na gestão de tráfego urbano, e destaca a importância de considerar cenários de tráfego variados e complexos para garantir a segurança e eficiência do tráfego. O modelo desenvolvido neste projeto pode ser adaptado e expandido para incluir mais agentes, cenários e comportamentos, com o objetivo de criar simulações mais realistas e abrangentes de tráfego urbano.
- [1] TheKiwiCoder. (2021, July 16). Free behaviour Tree editor for Unity. YouTube. https://www.youtube.com/watch?v=SgrG6uAZDHE
- [2] TheKiwiCoder. (2021, July 16). Behaviour Tree. https://www.thekiwicoder.com/behaviour-tree
- [3] Do, S., Kemanji, K., Vinh, M., & Tuan, V. (2023, June). The Action Point Angle of Sight: A Traffic Generation Method for Driving Simulation, as a Small Step to Safe, Sustainable and Smart Cities. ResearchGate. https://www.researchgate.net/publication/371605221_The_Action_Point_Angle_of_Sight_A_Traffic_Generation_Method_for_Driving_Simulation_as_a_Small_Step_to_Safe_Sustainable_and_Smart_Cities
- [4] Weißmann, M., Edler, D., Keil, J., & Dickmann, F. (2023, May 13). Creating an interactive urban traffic system for the simulation of different traffic scenarios. MDPI. https://www.mdpi.com/2076-3417/13/10/6020
- [5] Nezami, F. N., Wächter, M. A., Pipa, G., & König, P. (2020, January 9). Project westdrive: Unity City with self-driving cars and pedestrians for virtual reality studies. Frontiers. https://www.frontiersin.org/articles/10.3389/fict.2020.00001/full
- [6] Yuloskov, A., Bahrami, M., Mazzara, M., & Kotorov, I. (2022, June). Traffic light algorithms in Smart Cities: Simulation and analysis. ResearchGate. https://www.researchgate.net/publication/361845379_Traffic_Light_Algorithms_in_Smart_Cities_Simulation_and_Analysis
- [7] Unity. NavMeshAgent.CompleteOffMeshLink. Docs Unity 3D. https://docs.unity3d.com/ScriptReference/AI.NavMeshAgent.CompleteOffMeshLink.html