关键词：深度学习，自动车辆驾驶，统计真实性


论文题目：Learning naturalistic driving environment with statistical realism
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-023-37677-5

为了使仿真成为开发和测试自动驾驶汽车的有效工具，模拟器必须能够生成具有分布级精度的真实安全关键场景。然而，由于现实世界驾驶环境的高维度和长尾安全关键事件的稀缺性，如何在仿真中实现统计真实性是一个长期存在的问题。

在这项最新发表于 Nature Communications 的研究中，作者开发了一个基于深度学习的框架 NeuralNDE，从车辆轨迹数据中学习多主体的交互行为，并提出了一个冲突批评模型和一个安全映射网络，以细化安全关键事件的生成过程，遵循真实世界的发生频率和模式。

结果表明，NeuralNDE 既能实现准确的安全关键驾驶统计（如碰撞率/类型/严重程度和险情统计等），又能实现正常的驾驶统计（如车速/距离/屈服行为分布等），这在城市驾驶环境的模拟中得到了证明。这是第一次模拟模型能够以统计学的真实性再现真实世界的驾驶环境，特别是对于安全关键的情况。

图1. 使用统计真实性对自然驾驶环境进行建模

图2. 提出的 NeuralNDE 框架

图3. 安全关键型驾驶行为的统计真实性。



编译｜刘志航


复杂科学最新论文


集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「我的集智」推送论文信息。扫描下方二维码即可一键订阅：




推荐阅读

1. 一作解读：深度学习中的Neural Scaling Law (神经标度律)和对AI+Science的启发
2. Nat. Commun. 速递：深度学习根据卫星图像检测全球垃圾场分布
3. Nature 封面：自动驾驶车辆安全验证的密集强化学习
4. 《张江·复杂科学前沿27讲》完整上线！
5. 成为集智VIP，解锁全站课程／读书会
6. 加入集智，一起复杂！


点击“阅读原文”，追踪复杂科学顶刊论文