一种风险场增强的闭环数字孪生框架用于自动驾驶安全验证
该论文提出了一种风险场增强的闭环数字孪生框架，用于自动驾驶系统的安全验证。框架整合了物理数据采集、虚拟重建、风险感知场景生成和算法评估，并通过驾驶风险场作为统一中间表示来识别高风险场景，为强化学习策略提供安全指导。实验表明该方法提高了验证的针对性和可解释性，但实际效果受模型保真度和模拟到现实迁移的限制。
由于自动驾驶系统在投入实际部署前需要可靠的安全验证，而传统大规模道路测试成本高昂且难以复现，同时离线仿真无法持续连接物理交通状态与虚拟重建，因此研究团队提出了一种风险场增强的闭环数字孪生框架。该框架通过整合物理数据采集、数据同步、虚拟孪生重建、风险感知场景生成、自动驾驶算法评估和安全性分析等多个模块，构建了一个完整的闭环验证系统。其中，驾驶风险场被引入作为统一的中间表示，能够描述自车周围的障碍物、车道偏离、道路边界、碰撞时间以及舒适性相关的多类风险。这一风险场不仅对数字孪生场景库中的高风险场景进行排序，还为基于强化学习的驾驶策略提供密集的安全指导。为了验证方法的有效性，研究者设计了一套仿真风格的评估协议，将传统强化学习基线、风险惩罚基线与所提出的风险场引导方法进行了对比。结果表明，将显式风险结构嵌入数字孪生体可以使自动驾驶验证更加有针对性、可解释和可复用。然而，其实际效果仍受限于模型保真度、风险校准的准确性以及模拟到现实迁移的能力。这项研究为自动驾驶安全验证提供了一种新颖的思路，有望在未来的工作中通过进一步优化风险场校准和提高模型泛化能力来提升验证效率与可靠性。