一種風險場增強的閉環數字孿生框架用於自動駕駛安全驗證

由於自動駕駛系統在投入實際部署前需要可靠的安全驗證，而傳統大規模道路測試成本高昂且難以復現，同時離線模擬無法持續連線物理交通狀態與虛擬重建，因此研究團隊提出了一種風險場增強的閉環數字孿生框架。該框架透過整合物理資料採集、資料同步、虛擬孿生重建、風險感知場景生成、自動駕駛演算法評估和安全性分析等多個模組，構建了一個完整的閉環驗證系統。其中，駕駛風險場被引入作為統一的中間表示，能夠描述自車周圍的障礙物、車道偏離、道路邊界、碰撞時間以及舒適性相關的多類風險。這一風險場不僅對數字孿生場景庫中的高風險場景進行排序，還為基於強化學習的駕駛策略提供密集的安全指導。為了驗證方法的有效性，研究者設計了一套模擬風格的評估協議，將傳統強化學習基線、風險懲罰基線與所提出的風險場引導方法進行了對比。結果表明，將顯式風險結構嵌入數字孿生體可以使自動駕駛驗證更加有針對性、可解釋和可複用。然而，其實際效果仍受限於模型保真度、風險校準的準確性以及模擬到現實遷移的能力。這項研究為自動駕駛安全驗證提供了一種新穎的思路，有望在未來的工作中透過進一步最佳化風險場校準和提高模型泛化能力來提升驗證效率與可靠性。