用于自动驾驶仿真的社会预测型智能驾驶模型

基于真实驾驶员行为建模，提升仿真环境智能化水平

研究背景与意义

仿真技术在自动驾驶研发中具有关键作用，尤其在验证决策与规划算法方面。相较于真实道路测试可能带来的安全风险，仿真提供了高效、可控的测试环境。然而，在高度交互的交通场景中，环境车辆的行为真实性直接影响自动驾驶系统评估的准确性。当前多数仿真模型对周围车辆行为的刻画较为简单，难以反映真实人类驾驶员的复杂决策机制，导致仿真结果与实际表现存在偏差。

核心创新：社会预测型智能驾驶模型（SPIDM）

为提升仿真环境中车辆行为的智能化水平，研究人员在经典智能驾驶模型基础上，提出社会预测型智能驾驶模型（Social Predictive Intelligent Driver Model, SPIDM）。该模型融合了真实驾驶员的社会偏好与轨迹预测能力，能够更准确地模拟人类驾驶行为。

SPIDM通过预测周边车辆的未来轨迹，结合驾驶员的社会偏好（如合作性、保守性或激进性），动态调整跟驰策略。例如，当检测到邻车道车辆有切入意图时，模型可提前减速，增强行驶的安全性与舒适性。

数据驱动建模与行为多样性生成

模型利用真实世界驾驶数据进行参数校准，特别聚焦于车辆切入场景下的跟车行为。通过对大量实际驾驶数据的分析，提取出不同类型驾驶员的社会偏好特征，从而支持在仿真中生成多样化的、贴近现实的交互行为。

应用价值

SPIDM显著提升了仿真环境中交通参与者的智能程度，使自动驾驶系统在测试过程中面临更接近真实世界的交互挑战。该模型有助于提高算法验证的可靠性，推动自动驾驶技术向更高阶的协同与社会化驾驶能力发展。

引用信息

Deng, Z., Hu, W., Huang, T. et al. Social Predictive Intelligent Driver Model for Autonomous Driving Simulation. Automot. Innov. 8, 1–12 (2025). https://doi.org/10.1007/s42154-024-00289-w