用于车辆-行人交互的真实安全关键情景生成

自动驾驶系统的部署需要在安全关键的车辆-行人交互场景中进行严格的验证，但真实数据集很少捕获高风险情景，而仿真平台又缺乏真实可信的行为。在此背景下，本研究提出一种三阶段框架，将真实世界 grounding 与自适应仿真相结合，以大规模生成行为真实可信的安全关键情景。阶段 1 在真实世界安全关键数据上预训练多智能体状态空间 Transformer 增强型 DDPG (MA-SST-DDPG) 智能体，通过数据驱动学习获取人类类似的交互式躲避行为。阶段 2 在 CARLA 中部署预训练的多智能体进行在线强化学习，以泛化到多样化情景，整合真实世界知识与仿真经验，生成精炼后的 MA-SST-DDPG 模型。阶段 3 使用基于精炼模型的 CARLA 生成超过 198,000 个高分辨率交互剧集，最终形成 Vehicle-Pedestrian Safety-Critical Interaction (VPSCI) 数据集。精炼 MA-SST-DDPG 模型在再现真实躲避行为方面优于基线方法，实现最低的轨迹误差 (ADE = 0.072 m, FDE = 0.142 m)。统计比较确认生成数据与真实数据在冲突严重程度和行为响应方面分布等价。图灵测试确认，三阶段框架生成的躲避行为与真实交互无法区分。这些结果表明，该框架在生成高保真度安全关键数据方面有效，为 ADS 开发和仿真基于安全评估提供了宝贵的数据源。