ForSim：用于交通政策细调的逐步前向仿真

作为封闭环训练和评估自动驾驶领域的基础，交通仿真仍面临两个根本性挑战：由开环模仿学习引入的协变量漂移，以及有限的容量无法反映现实交通中观察到的多模态行为。虽然最近的框架如 RIFT Through 组相对优化部分缓解了这些问题，但其前向仿真程序仍大体上是非反应性的，导致虚拟域内代理相互作用不真实，最终限制了仿真保真度。为此，我们提出 ForSim，这是一种逐步封闭环前向仿真范式。在每个虚拟时间步中，交通代理通过物理建模的运动动力学，将最符合参考轨迹时空特征的虚拟候选轨迹传递，以保持多模态行为的多样性，同时确保同一模态内部的一致性。其他代理采用逐步预测进行更新，实现协调且感知相互作用的演化。当集成到 RIFT 交通仿真框架中时，ForSim 与组相对优化协同工作，用于细调交通政策。广泛实验确认，这一集成在保持安全性、效率、真实性和舒适性的同时，始终能够提高安全性能。这些结果凸显了在前向仿真中建模封闭环多模态相互作用的重要性，提高了自动驾驶领域交通仿真的保真度和可靠性。