融合交通心理學(xué)的車輛群組運(yùn)動仿真研究綜述

王 華，何曉宇，徐靜，徐明亮，霍二福，李冠峰，金保華

(1.鄭州輕工業(yè)大學(xué) 計算機(jī)與通信工程學(xué)院，河南 鄭州 450001；2.鄭州大學(xué) 圖書館，河南 鄭州 450001；3.鄭州大學(xué) 信息工程學(xué)院，河南 鄭州 450001；4.河南省化工研究所有限公司，河南 鄭州 450052；5.中國船舶重工集團(tuán)公司第七一三研究所，河南 鄭州 450015)

0 引言

車輛是城市交通場景的重要組成部分。車輛群組運(yùn)動仿真致力于對交通場景中每一時刻每一輛車的運(yùn)動位置和狀態(tài)進(jìn)行精確計算，從而突破時間和空間的限制，實(shí)現(xiàn)各種環(huán)境下任意復(fù)雜、任意尺度車輛運(yùn)動的模擬和推演[1-2]。車輛群組運(yùn)動仿真技術(shù)對智能駕駛、交通優(yōu)化、影視游戲等領(lǐng)域的發(fā)展具有極其重要的意義。

車輛群組運(yùn)動仿真中，車輛可以被抽象認(rèn)為是“駕駛員-車輛”組成的智能體單元。車輛的運(yùn)動可以看作是由駕駛員駕駛的智能體單元的運(yùn)動。駕駛員在復(fù)雜動態(tài)環(huán)境中結(jié)合實(shí)時環(huán)境狀態(tài)、車輛物理屬性、自身的生理/認(rèn)知屬性等產(chǎn)生駕駛決策，從而操縱車輛，使其能夠安全平穩(wěn)地行駛。將駕駛員性格、體力、認(rèn)知等交通心理學(xué)因素融入車輛群組運(yùn)動仿真中，構(gòu)建可呈現(xiàn)不同心理作用影響下的車輛群組運(yùn)動仿真方法，實(shí)現(xiàn)豐富多樣和具有“生命力”的真實(shí)感車輛群組運(yùn)動行為演繹，有望從根本上提升車輛運(yùn)動仿真的真實(shí)性和可靠性。

近年來，計算機(jī)圖形學(xué)領(lǐng)域的學(xué)者已經(jīng)對車輛群組運(yùn)動建模技術(shù)展開了大量的研究，并取得了顯著的研究成果。目前國內(nèi)外已有不少研究機(jī)構(gòu)對車輛群組運(yùn)動仿真技術(shù)展開了研究并積累了豐富的研究成果。如北卡萊羅納大學(xué)建模與仿真實(shí)驗(yàn)室、普渡大學(xué)、浙江大學(xué)、大連理工大學(xué)、吉林大學(xué)、東南大學(xué)、中國科學(xué)院計算技術(shù)研究所、鄭州大學(xué)等。

筆者對融合交通心理學(xué)車輛群組運(yùn)動仿真相關(guān)技術(shù)做綜述介紹，提出了目前該研究中一些可以繼續(xù)深入探討的問題，以期對本領(lǐng)域研究人員有所裨益。

1 交通心理學(xué)研究

目前交通心理學(xué)主要從駕駛員人格、生理、認(rèn)知等方面對車輛群組運(yùn)動仿真中駕駛員的行為決策機(jī)制展開研究。

1.1 駕駛員人格心理

人格是指個體在行為上的內(nèi)部傾向，它表現(xiàn)為個體適應(yīng)環(huán)境時在能力、情緒、需求、動機(jī)、興趣、態(tài)度、價值觀、氣質(zhì)、性格等方面的整合，是具有動力一致性和連續(xù)性的自我特征[3-4]。

駕駛員人格心理學(xué)主要研究駕駛員性格、動機(jī)、個體差異等對駕駛行為的影響[5-11]。Fine等[12]驗(yàn)證了艾森克人格理論的假設(shè)，即外向性駕駛員比內(nèi)向性駕駛員更容易產(chǎn)生交通事故和違章行為。Ge等[13]研究了憤怒與危險駕駛行為之間的關(guān)系，并且指出，在消極認(rèn)知、消極情緒駕駛、攻擊性駕駛中其表現(xiàn)尤為明顯。Schwebel等[14]探討了尋求刺激、責(zé)任心、憤怒等3種人格特質(zhì)在危險駕駛行為中的作用。Dahlen等[15]研究了在攻擊性和風(fēng)險性駕駛中，感覺尋求、沖動、無聊傾向等對駕駛情緒的影響。Zhang等[16]對駕駛憤怒與5種駕駛結(jié)果(攻擊性駕駛、危險駕駛、駕駛失誤、近距離脫險和事故)之間的關(guān)系進(jìn)行研究。Iliescu等[17]調(diào)查了危險駕駛在年齡、性別、專業(yè)駕駛方面的差異，以及危險駕駛與駕駛里程和交通違章行為之間的關(guān)系等。

1.2 駕駛員生理心理

生理心理學(xué)以大腦為中心研究心理現(xiàn)象的生理機(jī)制，主要是對行為和心理的神經(jīng)價值研究。

駕駛員生理心理學(xué)主要研究分析駕駛員生理信號和行為關(guān)系[18-21]。Christopoulos等[22]利用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出了一種利用滑動相關(guān)系數(shù)監(jiān)督駕駛員疏忽行為的新方法。Naurois等[23]利用人工神經(jīng)網(wǎng)絡(luò)模型檢測駕駛員睡意程度和適度睡眠所需的時長。Patel等[24]研究發(fā)現(xiàn)駕駛員心率變化可用來量化駕駛員的困倦程度，并基于此設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)的智能算法來檢測駕駛員是否處于疲勞狀態(tài)。Chai等[25]提出了一種基于腦電圖的駕駛員疲勞分級方法(疲勞狀態(tài)與警戒狀態(tài))，該方法可有效用于駕駛員疲勞狀態(tài)的識別。Fraadeblanar等[26]研究了年齡與車禍風(fēng)險之間的關(guān)系。

1.3 駕駛員認(rèn)知心理

認(rèn)知心理學(xué)采用信息加工的觀點(diǎn)研究構(gòu)建人類接收、貯存和運(yùn)用信息的計算機(jī)模型[27-28]。其主要包括視覺、知覺、記憶等認(rèn)知過程的建模[29-30]。根據(jù)研究對象的不同，現(xiàn)有主流的認(rèn)知方法可分為個體認(rèn)知方法和分布式認(rèn)知方法[31]。

個體認(rèn)知方法從認(rèn)知主體出發(fā)，用符號化語言或者神經(jīng)網(wǎng)絡(luò)的思想來解釋人腦內(nèi)部對環(huán)境信息的認(rèn)知過程，其主要思想是將人比喻成計算機(jī)，把人腦處理信息的過程看作是計算機(jī)對外界信息加工的過程，通過定義一些確定的參數(shù)來分析信息加工系統(tǒng)的經(jīng)濟(jì)性原則。隨著認(rèn)知場景和任務(wù)越來越復(fù)雜，John等[32]提出的ACT-R模型,從認(rèn)知基礎(chǔ)理論出發(fā)，用不可分的認(rèn)知操作元素和相應(yīng)的構(gòu)成框架對人類的認(rèn)知行為進(jìn)行建模。Fu等[33]提出的PMJ模型將人類的認(rèn)知過程歸納為感知、記憶和判斷3個階段，并給出了認(rèn)知加工的多條通路和一系列認(rèn)知加工策略。個體認(rèn)知方法從認(rèn)知主體出發(fā)，對人類依據(jù)自身能力實(shí)現(xiàn)的認(rèn)知過程進(jìn)行了詳細(xì)建模，是其他認(rèn)知理論的基礎(chǔ)。

分布式認(rèn)知方法不再局限于認(rèn)知主體，而是從更廣的角度研究分析認(rèn)知加工機(jī)制，是綜合考慮認(rèn)知主體和認(rèn)知環(huán)境(周圍環(huán)境、工具、情境等)的系統(tǒng)化的分析[31]。其充分考慮駕駛員認(rèn)知活動本身的復(fù)雜性以及認(rèn)知環(huán)境的復(fù)雜性, 認(rèn)為認(rèn)知并不僅僅是對其內(nèi)部表征的加工, 而且是內(nèi)部表征與外部表征共同作用的結(jié)果。當(dāng)然，分布式認(rèn)知理論中個體認(rèn)知仍然處于核心地位。駕駛員在處理復(fù)雜信息時,不可能脫離外部環(huán)境信息的支持。分布式認(rèn)知理論被認(rèn)為是更符合人類認(rèn)知特征的一種理論[34]。分布式認(rèn)知理論的上述特性，使得在分布式認(rèn)知建模中，不僅需要對認(rèn)知主體的認(rèn)知過程進(jìn)行建模，還需要對主體所處環(huán)境等進(jìn)行建模[31]，并將建模結(jié)果進(jìn)行充分融合，從而獲得更準(zhǔn)確合理的認(rèn)知結(jié)果。

現(xiàn)有針對駕駛員行為決策的認(rèn)知心理學(xué)研究工作主要從個體認(rèn)知角度出發(fā)，研究分析視覺、知覺、注意、記憶等對駕駛員認(rèn)知過程的影響[35-39]。在視覺方面，Campbell等[40]認(rèn)為，人的視覺系統(tǒng)具有頻率適應(yīng)性，不同人對頻率通道的劃分有差異，駕駛經(jīng)驗(yàn)不同的駕駛員感知得到的環(huán)境信息量存在差異。Sowden等[41]認(rèn)為駕駛員的視覺信息來源于視覺空間頻率通道與視野圖像信息適應(yīng)性交互調(diào)諧后的結(jié)果。Strayer等[42]通過實(shí)驗(yàn)分析了開車過程中的外界干擾對認(rèn)知的影響，指出車內(nèi)引入語音系統(tǒng)會造成司機(jī)的注意力分散。Reimer等[43]分析了認(rèn)知需求與駕駛員對車輛周圍環(huán)境感知能力之間的關(guān)系。Wood等[44]指出駕駛員在感知環(huán)境信息時，更容易根據(jù)前期路況記憶做出習(xí)慣性行為而導(dǎo)致錯誤的決策。Patten等[45]對認(rèn)知負(fù)荷和駕駛員經(jīng)驗(yàn)之間的關(guān)系展開了研究，研究結(jié)果表明，經(jīng)驗(yàn)豐富的駕駛員更能有效地捕獲周圍環(huán)境信息并做出正確的駕駛決策。Anstey等[46]研究了認(rèn)知功能和駕駛員年齡的關(guān)系，結(jié)果表明，駕駛員年齡和其認(rèn)知能力呈反比關(guān)系。

1.4 小結(jié)

目前心理學(xué)領(lǐng)域已有大量的研究成果可以借鑒，但這些成果一般都是通過性向測試來分析駕駛員的生理、性格等特征，很少有基于上述特征的駕駛員行為決策的計算模型。

認(rèn)知心理學(xué)領(lǐng)域以心理學(xué)研究成果為基礎(chǔ)，研究構(gòu)建駕駛員認(rèn)知過程的計算機(jī)模型。這些模型大都從個體認(rèn)知理論出發(fā)，采用一系列復(fù)雜的處理模塊來模擬駕駛員產(chǎn)生和組織智能行為的過程，計算效率比較低，主要用于單個智能體的運(yùn)動控制，不適合應(yīng)用于車輛群組運(yùn)動仿真中。此外，這些模型一般并不對認(rèn)知主體所處環(huán)境等建模。

2 車輛群組運(yùn)動仿真技術(shù)

目前主流的車輛群組運(yùn)動仿真方面的工作大體可以分為模型驅(qū)動的方法、數(shù)據(jù)驅(qū)動的方法、混合驅(qū)動的方法，如圖1所示。

圖1 仿真方法分類

2.1 模型驅(qū)動的方法

模型驅(qū)動的方法通過構(gòu)建描述車輛群組運(yùn)動的數(shù)學(xué)模型實(shí)現(xiàn)對車輛運(yùn)動的模擬。根據(jù)對車輛個體描述細(xì)致程度的不同，模型驅(qū)動的車輛群組運(yùn)動仿真方法主要分為宏觀方法和微觀方法。

宏觀方法將車流看作連續(xù)的介質(zhì)，以線路上車流的密度、速度等宏觀量來刻畫車流的運(yùn)動。經(jīng)典的各向異性模型[47-49]和格子流模型[50-51]等都屬于宏觀模型。

微觀方法以單個車輛為研究單元，描述車輛之間相互作用的時空行為，主要包括基于連續(xù)動力學(xué)的方法[52-54]、基于社會力學(xué)的方法[55-61]、基于元胞自動機(jī)的方法[62]等。Shen等[63]提出了改進(jìn)的IDM 模型，通過區(qū)分暢通時車輛加速行為和接近前車時車輛減速行為的不同，實(shí)現(xiàn)了不同場景下車輛運(yùn)動行為的建模。Dorado等[60]將IDM模型用于自動構(gòu)建的三維城市交通場景模擬中。Wang 等[64]將一體化的換道模型和IDM模型相結(jié)合，實(shí)現(xiàn)了各種復(fù)雜路口下的車輛運(yùn)動模擬。Best 等[65]提出了一種支持動態(tài)策略設(shè)置以及融合交通約束的無人車自動導(dǎo)航技術(shù)。Xu等[59]提出了一種霧天車輛運(yùn)動模擬方法。Wang等[61]通過引入影子車輛的概念，實(shí)現(xiàn)了各種異常交通場景下的車輛群組運(yùn)動模擬。如圖2所示為微觀模型驅(qū)動下的一些仿真效果圖[59,61,63,65]。

圖2 仿真效果圖

模型驅(qū)動的方法主要采用數(shù)學(xué)或者物理模型對車輛群組運(yùn)動建模，可以從原理上實(shí)現(xiàn)群組運(yùn)動的有效模擬，能夠充分解決“為什么”的問題。但是模型一般都做了過多簡化和理想的假設(shè)處理，相關(guān)行為特征的控制參數(shù)選取和設(shè)置大多基于主觀經(jīng)驗(yàn)，缺乏真實(shí)數(shù)據(jù)支撐。

2.2 數(shù)據(jù)驅(qū)動的方法

數(shù)據(jù)驅(qū)動的方法通過對現(xiàn)實(shí)世界中存在的大量真實(shí)交通數(shù)據(jù)進(jìn)行學(xué)習(xí)，提取樣本或?qū)嵗龜?shù)據(jù)的特征，從而訓(xùn)練出智能、符合真實(shí)駕駛行為的模型，據(jù)此實(shí)現(xiàn)對車輛群組運(yùn)動的建模。Chao等[66]借助紋理合成技術(shù)將輸入的離散軌跡數(shù)據(jù)用于車輛運(yùn)動重建。Chen等[67]將視頻數(shù)據(jù)和傳感器數(shù)據(jù)相結(jié)合，采用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了車輛駕駛行為的模擬。Bi等[68]基于已有的換道數(shù)據(jù)集，采用機(jī)器學(xué)習(xí)算法對車輛換道過程進(jìn)行建模，從而生成了自然逼真的車輛換道行為。Sewall等[69]基于傳感器數(shù)據(jù)并采用濾波算法實(shí)現(xiàn)了對路網(wǎng)內(nèi)的車輛運(yùn)動行為的重建。Yang等[70]給出了一種基于真實(shí)軌跡數(shù)據(jù)的交通流重建技術(shù)。

數(shù)據(jù)驅(qū)動的方法由于基于真實(shí)數(shù)據(jù)的自然優(yōu)勢，可以充分挖掘出環(huán)境和駕駛行為決策之間的關(guān)聯(lián)信息，充分解決了“是什么”的問題，但是受所使用數(shù)據(jù)規(guī)模的限制，難以完整刻畫真實(shí)車輛群組運(yùn)動行為，這使得仿真敏感度非常低，魯棒性很差。

2.3 混合驅(qū)動的方法

混合驅(qū)動的方法將模型驅(qū)動方法中構(gòu)建的數(shù)學(xué)模型和數(shù)據(jù)驅(qū)動方法采集得到的數(shù)據(jù)相結(jié)合，將樣本數(shù)據(jù)集用于模型參數(shù)的調(diào)節(jié)和校驗(yàn)，從而模擬出更為真實(shí)的群組運(yùn)動效果。Wilkie等[71]采用卡爾曼濾波技術(shù)將傳感器采集的數(shù)據(jù)用于車輛運(yùn)動行為模擬的參數(shù)校正中，并取得了不錯的仿真效果。Chao等[72]提出了一種具有記憶功能的IDM模型，模型根據(jù)輸入的車輛軌跡數(shù)據(jù)，采用自適應(yīng)遺傳算法對模型參數(shù)進(jìn)行離線學(xué)習(xí)，從而驅(qū)動模型重構(gòu)車流運(yùn)動。Lu等[73]通過訓(xùn)練學(xué)習(xí)IDM模型中參數(shù)取值，實(shí)現(xiàn)了簡單的個性化車輛運(yùn)動模擬。

混合驅(qū)動的方法充分利用已有數(shù)據(jù)與刻畫車輛群組運(yùn)動的計算模型相結(jié)合，一定程度上來說，具有從根本上提升仿真效果的真實(shí)感和可信度。

3 融合交通心理學(xué)的車輛群組運(yùn)動仿真

融合交通心理學(xué)的車輛群組運(yùn)動仿真致力于將上述第1節(jié)相關(guān)內(nèi)容融入第2節(jié)的車輛群組運(yùn)動仿真技術(shù)中，從而實(shí)現(xiàn)復(fù)雜環(huán)境中駕駛員心理決策各異性影響下的車輛運(yùn)動建模。

根據(jù)是否對駕駛員自身心理認(rèn)知加工機(jī)制建立數(shù)學(xué)模型，融合交通心理學(xué)的車輛群組運(yùn)動仿真方法可以分為非認(rèn)知加工機(jī)制方法和認(rèn)知加工機(jī)制方法兩種。

3.1 非認(rèn)知加工機(jī)制方法

非認(rèn)知加工機(jī)制方法指的是不單獨(dú)對駕駛員自身心理認(rèn)知過程建立數(shù)學(xué)模型，而是通過調(diào)整現(xiàn)有車輛運(yùn)動仿真模型參數(shù)，改造現(xiàn)有車輛運(yùn)動仿真模型或者使用完全數(shù)據(jù)學(xué)習(xí)等方法來實(shí)現(xiàn)駕駛員多樣性心理特征影響下的車輛運(yùn)動模擬。

在調(diào)整現(xiàn)有車輛運(yùn)動仿真模型參數(shù)方面，Lu等[73]通過訓(xùn)練計算IDM模型參數(shù)的取值，實(shí)現(xiàn)了較為真實(shí)的個性化車輛運(yùn)動模擬效果。Xu等[74]采用變化的安全車間距來模擬車輛運(yùn)動仿真中的攻擊型駕駛行為和保守型駕駛行為。

在改造現(xiàn)有車輛運(yùn)動仿真模型方面，Lu等[75]給出了一種避免事故的全局速度差模型，考慮了靠近前車時心理力和生理力對當(dāng)前車輛加速度的影響。Leutzbach等[76]采用不同閾值和期望距離，給出了一種基于駕駛員心理-生理因素的車輛跟馳模型。

完全數(shù)據(jù)學(xué)習(xí)方法指的是完全依靠海量數(shù)據(jù)的訓(xùn)練學(xué)習(xí)來實(shí)現(xiàn)個性化車輛運(yùn)動的模擬。例如，Chen等[67]基于視頻數(shù)據(jù)和三維點(diǎn)云數(shù)據(jù)，實(shí)現(xiàn)了多樣化的駕駛行為模擬；Possaniespinosa等[77]通過收集大量駕駛行為和性格特征數(shù)據(jù)，實(shí)現(xiàn)了可信的虛擬駕駛行為模擬。

非認(rèn)知加工機(jī)制方法的計算效率與不考慮交通心理學(xué)的車輛群組運(yùn)動仿真方法的計算效率相當(dāng)。因此，上述方法被廣泛應(yīng)用于個性化車輛群組運(yùn)動仿真中。該方法也是現(xiàn)有主流交通仿真軟件實(shí)現(xiàn)多樣性車輛運(yùn)動仿真所采用的方法。

3.2 認(rèn)知加工機(jī)制方法

基于認(rèn)知加工機(jī)制的方法致力于將交通心理學(xué)的研究成果應(yīng)用于車輛運(yùn)動仿真中。該類方法的基本思路是首先對駕駛員的認(rèn)知過程構(gòu)建可計算的模型，然后將模型計算結(jié)果和車輛群組運(yùn)動仿真方法相結(jié)合，實(shí)現(xiàn)融合交通心理學(xué)的車輛運(yùn)動模擬。例如，采用本文第1.3部分提到的ACT-R模型、PMJ模型[33](如圖3所示)等對駕駛員的場景認(rèn)知過程建立模型，建模過程中可以考慮駕駛員性格、生理等因素。車輛結(jié)合自身運(yùn)動學(xué)、動力學(xué)屬性，周圍環(huán)境的狀態(tài)，綜合得出相應(yīng)的運(yùn)動行為決策。

圖3 PMJ模型示意圖

該類方法需要采用一系列的處理模塊來模擬駕駛員產(chǎn)生和組織智能行為的過程，因此具有較高的計算復(fù)雜度。該類方法主要用于單個智能車的控制，用于群組運(yùn)動仿真時在效率方面存在瓶頸。

4 總結(jié)與展望

車輛群組運(yùn)動仿真模擬需要綜合融合心理學(xué)等社會科學(xué)的理論與方法和信息科學(xué)在虛擬現(xiàn)實(shí)、計算機(jī)圖形學(xué)、機(jī)器學(xué)習(xí)、人工智能等活躍領(lǐng)域的前沿技術(shù)。融合交通心理學(xué)的車輛群組運(yùn)動仿真可實(shí)現(xiàn)不同心理作用影響的車輛群組運(yùn)動行為建模。該技術(shù)目前仍然存在不少難點(diǎn)和挑戰(zhàn)，有待進(jìn)一步深入研究。

(1)極端交通樣本數(shù)據(jù)的生成。異常事故、惡劣天氣等極端交通場景數(shù)據(jù)匱乏。完全模型驅(qū)動的車輛運(yùn)動仿真技術(shù)又很難實(shí)現(xiàn)個性化、多樣化的車輛運(yùn)動行為模擬。在虛擬環(huán)境中構(gòu)建極端交通場景并實(shí)現(xiàn)該場景內(nèi)的車輛群組運(yùn)動仿真可為無人駕駛提供大量廉價的極端交通樣本數(shù)據(jù)集。該項(xiàng)研究具有重要的現(xiàn)實(shí)意義。

(2)人腦認(rèn)知過程的可計算模型構(gòu)建。構(gòu)建融入心理機(jī)制的可計算框架，歸納出合理的數(shù)學(xué)模型，從而量化各種心理因素對駕駛員行為的影響，形成刻畫復(fù)雜心理機(jī)制的駕駛員大腦認(rèn)知計算模型，實(shí)現(xiàn)高層心理特征向低層運(yùn)動行為控制的映射。構(gòu)建心理機(jī)制計算模型模擬駕駛員決策行為的自主演進(jìn)過程是實(shí)現(xiàn)融合交通心理學(xué)的車輛群組運(yùn)動模擬需要重點(diǎn)解決的問題。針對該問題的研究目前處于起步階段，有待進(jìn)一步的研究。

(3)基于分布式認(rèn)知理論的駕駛員認(rèn)知-決策建模。分布式認(rèn)知理論認(rèn)為，駕駛員的行為決策是由其認(rèn)知能力決定的，并且認(rèn)知過程不僅局限于認(rèn)知主體，而是從更廣的角度研究認(rèn)知加工機(jī)制，是綜合考慮認(rèn)知主體和認(rèn)知環(huán)境(周圍環(huán)境、工具、情境等)的系統(tǒng)化分析[78]。采用分布式認(rèn)知理論對駕駛員的認(rèn)知過程進(jìn)行建模，并將其與車輛群組運(yùn)動建模相耦合有待進(jìn)一步研究。

5 結(jié)語

融合交通心理學(xué)的車輛運(yùn)動模擬可精確模擬復(fù)雜環(huán)境下的各異性車輛運(yùn)動行為。筆者圍繞融合交通心理學(xué)的車輛群組運(yùn)動仿真技術(shù)，對車輛群組運(yùn)動仿真的技術(shù)及涉及駕駛員心理和行為的研究進(jìn)行了展開介紹，提出了目前該領(lǐng)域的問題和難點(diǎn)。這些難點(diǎn)的攻克有望從根本上提升車輛群組運(yùn)動仿真的真實(shí)感和可靠性，從而進(jìn)一步推動車輛群組運(yùn)動仿真研究的快速發(fā)展。