CommonRoad-Game 是由 Yunfei Bi 等研究者提出并提交到 arXiv 的一个轻量级人机回环（human-in-the-loop）自动驾驶仿真框架，论文于 2026 年 7 月 1 日提交，编号 arXiv:2607.01382，属于机器人学（cs.RO）方向，全文共 15 页，包含 18 幅图和 2 张表格，源代码已在 GitHub 公开。该工作的核心主张是：运动规划算法不应只在离线数据上评估，而应当让真人参与交互，从而检验算法在真实互动中是否能够产生安全且高效的行为。
作者指出，现有仿真平台存在多方面的不足。许多平台依赖事先录制的数据集，无法支持实时的人为干预；另一些平台虽然提供了交互接口，但缺乏专门的实时人机交互界面；还有不少平台与完整的自动驾驶生态结合不够紧密，难以复用已有的场景格式和规划器实现。更关键的是，不少人机回环仿真器在设计上就非常吃计算资源，这使得它们不适合在自动驾驶研究的早期阶段进行快速原型验证和灵活的实验探索。
为了弥补这些缺口，CommonRoad-Game 选择与 CommonRoad 平台深度集成，把重点放在两件事上：一是让真人参与对运动规划器进行系统性测试，二是分析交互场景中的人类驾驶行为。框架采用多线程架构，并设计了稳健的同步机制，将仿真时间与真实墙钟时间对齐，从而保证自动驾驶车辆与人类驾驶车辆之间的交互既具有确定性，又在时间上保持一致。这种时间同步对于人机回环实验尤为重要，因为只有仿真推进速度与真实操作节奏相匹配，人类驾驶员的输入才具有实际意义。
除同步机制外，框架还提供了场景生成模块。该模块能够记录驾驶日志，把人在回环实验中产生的交互过程保存下来，进而构造出多样且可复现的测试用例。这样一来，一次人类参与的实验不仅可以用于即时评估，还能沉淀为后续可重复使用的场景资产，为规划器的回归测试和对比实验提供素材。
实验结果方面，论文报告 CommonRoad-Game 能够实现稳定的时间同步，支持可扩展的多智能体仿真，并且可以无缝接入与 CommonRoad 兼容的运动规划器，进而生成交互式驾驶场景。这些结果表明该框架在保持轻量化的同时，仍能满足人机回环测试对时序一致性和多车协同的基本要求。源代码已在 https://github.com/Yunfei-Bi8/CommonRoad-Game 公开，便于社区复现和扩展。