面向自动驾驶测试的 naturalistic 驾驶环境分布一致性仿真

微观交通仿真为自动驾驶车辆（AVs）提供了可控、可重复且高效的测试环境。为无偏地评估AVs的安全性能，所仿真的naturalistic驾驶环境（NDE）中环境统计量的概率分布需与真实世界驾驶环境一致。然而，尽管人类驾驶行为在交通工程领域已被广泛研究，现有多数模型是为交通流分析而开发，未考虑驾驶行为的分布一致性，这可能给AV测试带来显著的评估偏差。为填补该空白，本文提出一种分布一致的NDE建模框架。利用大规模naturalistic驾驶数据，获取经验分布以构建不同条件下的随机人类驾驶行为模型。为解决仿真过程中的误差累积问题，进一步设计了一种基于优化的方法来精化经验行为模型。具体而言，将车辆状态演化建模为马尔可夫链，并扭曲其平稳分布以匹配真实世界驾驶环境的分布。该框架在多车道高速公路驾驶仿真的案例研究中得到评估，其中所生成NDE的分布准确性得到验证，且某AV模型的安全性能被有效评估。