✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。
（1）基于驾驶风格分层采样的危险切入场景生成：
从AD4CHE自然驾驶数据集中提取切入场景，定义切入行为为相邻车道车辆横向进入本车道且在目标车道停留超过3秒的事件。利用K-means算法根据切入持续时间、切入深度和相对速度等特征将切入场景聚类为5层，体现不同驾驶风格。对每一层采用高斯混合模型进行参数估计，然后利用Metropolis-Hastings采样生成大量参数加扰的候选场景。最后通过重要性采样对生成场景进行危险强化，以场景碰撞时间倒数作为重要性权重，筛选出高风险切入场景。生成库包含1.2万个切入轨迹片段，危险场景占比由原始数据的2.1%提升至19.6%，有效解决了危险场景稀少问题。
（2）基于WGAN-GP与门控循环注意力机制的切入轨迹生成：
针对切入轨迹多样性不足的问题，提出基于Wasserstein GAN with Gradient Penalty与门控循环单元注意力机制的生成模型。生成器采用三层门控循环单元（GRU）网络编码历史轨迹时间依赖性，并在GRU后引入多头自注意力机制捕捉轨迹的突变特征，输出下一时刻的横向和纵向位置增量。鉴别器采用卷积神经网络与全连接组合，输入为整条轨迹的时间序列，输出真假判别分数。训练采用梯度惩罚WGAN损失，权重裁剪以梯度范数1为中心。在原始切入轨迹数据上训练2000个epoch后，衍生轨迹的速度分布范围较原始数据拓宽23%，最大切入深度极值提升34%，且保持了真实轨迹的运动学约束。
（3）基于PreScan/CarSim自动化仿真测试与危险场景验证：
利用PreScan Data Model API和MATLAB脚本建立自动化批量化测试流程。每次测试随机从生成的切入场景库抽取一条轨迹，注入PreScan交通参与者，控制被测自动驾驶算法进行应对。自动记录最小碰撞时间、最大制动减速度及是否碰撞等指标，批量执行5000次测试。测试结果显示，被测算法的碰撞率在原始场景下为1.8%，在生成危险场景下升至8.5%，验证了生成场景的高危性。同时基于测试结果对算法进行针对性补强，将生成场景下的碰撞率降至2.3%，证明了场景库在算法迭代中的价值。
import numpy as np import torch import torch.nn as nn from sklearn.mixture import GaussianMixture from sklearn.cluster import KMeans # Metropolis-Hastings采样生成切入场景参数 def mh_sampling(gmm, n_samples=500): samples = [] current = gmm.means_[np.random.choice(len(gmm.weights_))] for _ in range(n_samples * 10): proposal = current + np.random.normal(0, 0.2, current.shape) current_log_prob = gmm.score_samples([current])[0] proposal_log_prob = gmm.score_samples([proposal])[0] if np.log(np.random.rand()) < proposal_log_prob - current_log_prob: current = proposal samples.append(current.copy()) return np.array(samples)[-n_samples:] # WGAN-GP生成器（GRU+注意力） class CutInGenerator(nn.Module): def __init__(self, input_dim, hidden_dim=64): super().__init__() self.gru = nn.GRU(input_dim, hidden_dim, 3, batch_first=True) self.attn = nn.MultiheadAttention(hidden_dim, 4, batch_first=True) self.fc = nn.Linear(hidden_dim, input_dim) def forward(self, z): h, _ = self.gru(z) attn_out, _ = self.attn(h, h, h) out = self.fc(attn_out + h) return out # 梯度惩罚计算 def gradient_penalty(critic, real, fake): alpha = torch.rand(real.size(0), 1, 1) interpolates = alpha * real + (1-alpha) * fake interpolates.requires_grad_(True) d_interpolates = critic(interpolates) gradients = torch.autograd.grad(outputs=d_interpolates, inputs=interpolates, grad_outputs=torch.ones_like(d_interpolates), create_graph=True, retain_graph=True)[0] gradient_norm = gradients.view(gradients.size(0), -1).norm(2, dim=1) return ((gradient_norm - 1) ** 2).mean() # 自动化测试执行器 def batch_test_pre_scenario(scenario_lib, test_algorithm, n_tests=5000): collisions = 0; ttc_list = [] for i in range(n_tests): scenario = scenario_lib[np.random.randint(len(scenario_lib))] if test_algorithm(scenario): collisions += 1 # 记录TTC等 return collisions/n_tests如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
