基于预期性群体智能在混合自主交通中构建主动风险场：一种数字孪生视角

《Scientific Reports》：Engineering proactive risk fields in mixed-autonomy traffic via anticipatory swarm intelligence: a digital twin perspective

　　

摘要

在混合自主交通系统中，由于人类驾驶车辆（HDVs）的随机性以及其与网联自动驾驶车辆（CAVs）之间的复杂交互作用，确保系统的安全性与韧性已成为一项关键工程挑战。传统安全模型主要依赖事后的冲突评估进行被动响应，缺乏主动干预的能力。为弥补这一空白，本研究提出了一种预期性风险场动力学（ARFD）框架，并开发了一种预期性群智能（ASI）算法以实现主动风险工程。在方法层面，ARFD框架建立了一种由偏微分方程驱动的风险演化闭环新范式，有别于静态势能模型。ASI算法融合了循环神经网络（RNN）用于多步轨迹预测以及分布式粒子群优化（DPSO）用于去中心化协同决策，使CAVs能够主动重塑交通风险场的时空分布。为验证该方法，本研究构建了一个高保真数字孪生平台，并利用实测无人机轨迹数据及真实路网拓扑结构进行标定。大量仿真实验结果表明，在极端扰动条件下，ASI策略将高风险事件降低了42.8%，系统韧性提升了28%，而效率方面的边际权衡仅为3.5%。此外，该算法在现实通信不完美的条件下仍表现出稳健性能。本研究成果提供了一套稳健且经过实证验证的技术工具包，推动交通安全管理从被动预测向主动场工程转变，为可持续城市交通基础设施提供了切实可行的参考见解。