CoDEA：一种从自然驾驶数据中提取和增强协作式车道变换场景的框架

协同驾驶数据稀缺问题通过CoDEA三阶段框架解决，包括从自然驾驶数据中提取真实协同变道行为、基于交互感知上下文编码增强生成模型，以及通过计算指标和特征分布验证生成数据的有效性。

　　

叶莉|李伟然|周瑞|卢星|董长银|丹武

中南大学交通与运输工程学院，中国长沙410075

摘要

随着现代交通系统复杂性的增加，面临车辆数量增加、道路资源有限以及安全问题日益严峻等挑战，迫切需要创新的解决方案。协作驾驶通过通信技术使车辆能够共享信息并协同工作，为提高安全性、减少拥堵和改善流动性提供了有前景的方案。然而，协作驾驶系统的验证受到现实世界数据严重缺乏的阻碍。为了解决这一挑战，我们提出了CoDEA（协作驾驶提取与增强）方法，这是一个全面的三阶段流程，旨在生成可靠且真实的协作驾驶数据集。首先，我们开发了一种系统方法，从大规模的自然驾驶数据（NDD）中提取协作变道行为，确保提取的数据能够捕捉到现实世界场景中的关键运动学和协作特征。接下来，为了有效生成真实的协作变道场景，我们通过引入交互感知上下文编码（IA-CE）模块来增强DiffTraj框架。该模块使扩散模型能够根据车辆之间的细微交互来调整其生成过程，从而创建出更加真实和多样的协作轨迹。最后，我们使用RMSE和MAE等计算指标以及比较真实轨迹和生成轨迹之间的关键特征分布来评估生成轨迹的有效性。结果表明，生成的数据与现实世界的协作变道模式具有很强的相似性，同时在某些特征上也引入了更大的多样性。总体而言，所提出的CoDEA方法为推进协作变道控制算法奠定了坚实的基础，通过提供用于训练和评估的可靠数据集，有效地弥合了现实世界复杂性与算法测试环境之间的差距。

引言

现代交通系统变得越来越复杂，车辆数量不断增加，道路资源有限，安全挑战日益突出，这凸显了对创新解决方案的需求（Wu等人，2024a；Wu等人，2024b）。更具体地说，世界卫生组织（WHO）报告称，道路交通伤害每年导致约119万人死亡，而城市拥堵则造成全球数十亿美元的生产力损失（世界卫生组织，2025年）。近年来，自动驾驶系统（ADS）取得了显著进展，提高了单个车辆的智能水平，使交通更加安全和高效。尽管如此，当前系统仍面临一些关键挑战（Wang等人，2020年；Jin等人，2023年），例如传感器读数不准确、检测范围有限、传感器盲区以及处理成本高。这些限制共同阻碍了准确预测其他车辆动态行为和不可预测环境的能力。为了克服这些障碍，协作驾驶作为一种变革性解决方案应运而生（Han等人，2023年）。

协作驾驶利用车对车（V2V）、车对基础设施（V2I）、车对行人（V2P）和车对网络（V2N）通信，实现交通参与者之间的信息共享和协同决策（Gelbal等人，2019年）。在这种智能网络环境中，车辆不再孤立存在，而是通过无线通信网络集成到多车辆系统中。通过共享关于周围环境、道路状况和意图的数据，车辆可以促进分布式决策和协同控制（Gong等人，2019年）。这种协作互动弥补了单个车辆有限的感知和计算能力，支持开发出集成了全方位信息感知和系统级优化的智能车-路系统。这一范式在提高交通安全、缓解拥堵和降低能耗方面显示出巨大潜力（Jin等人，2025年）。

然而，协作驾驶的成功实施依赖于严格的测试和验证。传统的道路测试受到测试周期长（Kalra & Paddock，2016年）、成本高以及潜在事故风险（Favarò等人，2017年）的制约，因此无法进行全面性能验证。为了解决这些挑战，人们正在探索新的测试方法，例如自动驾驶模拟器。模拟器提供了高保真的虚拟环境、真实的车辆动态，并能够安全且经济高效地模拟极端场景。与仅依赖模拟环境中的里程驱动测试相比，基于场景的测试代表了这一领域的最新进展。其目标是通过从验证过程中去除没有显著动作或事件的路段，将测试驱动压缩到特定场景中。基于场景的测试已成为自动驾驶（AV）测试中一种成熟且前景广阔的方法。多个项目和倡议，如PEGASUS（Meyer & Beiker，2019年）、euroFOT（Benmimoun等人，2013年）、AdaptIVe（Meyer & Beiker，2016年）和Sakura（Antona-Makoshi等人，2019年），都在探索这种方法在AV开发中的应用。

对于协作驾驶而言，单独测试单个车辆已不再足够。它涉及多辆AV协同工作、通信和协调，以确保顺畅安全的交通流动。因此，除了评估单个车辆的性能外，还需要在为这种互动设计的特定场景中验证协作驾驶系统（Wang等人，2022年）。这些场景侧重于车辆之间的互动，如变道、超车、跟随和通过交叉路口。因此，这些协作驾驶场景的设计和测试对于确保协作驾驶技术的成功和安全至关重要（Hallerbach等人，2018年）。

然而，获取足够的数据以进行全面测试协作驾驶系统是一个挑战。协作驾驶的复杂性要求多辆车之间的实时通信和协调，增加了数据收集的难度。为了解决这些限制，我们提出了一种新颖的方法，利用自然驾驶数据（NDD）快速且经济高效地提取真实的协作驾驶场景。NDD是一个丰富的真实世界多智能体互动库，涵盖了多样的驾驶行为、交通状况和环境背景。通过应用协作数据提取标准，我们的方法能够识别出具有高保真的代表性协作驾驶场景。

虽然从NDD中提取的场景为理解现实世界中的互动提供了宝贵见解，但它们的数量和多样性不足以支持大规模测试和稳健分析。为了解决这一限制，我们引入了CoDEA方法，该方法基于提取的数据生成协作驾驶轨迹。该过程利用我们的IA-DiffTraj模型复制和扩展现有场景，从而创建出多种多样的协作互动。通过结合数据提取和场景生成，我们的方法有效解决了现实世界协作驾驶数据的稀缺问题，并提供了一个可扩展的高保真测试环境。这使得能够在多样和复杂的条件下对协作驾驶系统进行彻底评估。

本研究的主要贡献如下：

(1)

我们提出了CoDEA，这是一种端到端的流程，用于协作变道场景的提取、增强和验证。这一集成框架通过从大规模NDD中提取高保真的协作行为，使用我们新颖的IA-DiffTraj模型增强数据集的多样性，并通过稳健的评估套件验证结果，以确保真实性和保真度，从而实现可扩展的基于场景的测试和协作驾驶系统的安全性评估。

(2)

我们引入了一种新颖的交互感知上下文编码（IA-CE）模块，以增强基于扩散的协作轨迹生成模型。通过将该模块集成到DiffTraj框架中形成IA-DiffTraj，我们的模型可以明确地根据车辆间互动动态调整生成过程。这种交互感知设计使得生成高保真和多样化的协作变道轨迹成为可能，特别是在罕见和互动密集的场景中，有效缓解了安全关键协作驾驶应用中的数据稀缺问题。

这些贡献为推进协作变道控制算法提供了基础，通过提供用于基于场景测试的可靠和多样化的数据集，弥合了现实世界驾驶复杂性与安全算法评估之间的差距。

本文的其余部分组织如下：第2节回顾了基于场景的测试、场景生成和协作变道策略的相关工作。第3节介绍了CoDEA框架、协作变道数据提取的方法以及IA-DiffTraj的构建。第4节描述了实验设置，展示了结果，评估了生成的数据，并讨论了其意义。最后，第5节总结了本文的贡献、潜在应用和未来研究的方向。

部分片段

基于场景的测试

自动驾驶系统（ADS）旨在在各种道路条件下运行，与人类驾驶员和行人互动，并处理复杂场景。先进的测试方法对于模拟和评估这些系统在现实世界中的性能至关重要，从而确保它们的安全性和可靠性（Kukreja，2024年；Huang等人，2016年）。

ADS的传统验证方法主要依赖于两种方法：积累大量的实际道路里程（道路测试）和

CoDEA框架

本研究提出了CoDEA框架，这是一个多阶段流程，旨在从NDD生成高保真的协作变道场景。如图1所示，该框架通过三个主要阶段运行。

该过程首先识别NDD中涉及强制变道的车辆组。然后应用系统提取方法分离这些事件，得到一组真实的协作变道场景数据集。为了增强这一数据集并生成

训练IA-DiffTraj的过程

CitySim数据集总共包含12,681辆车。在过滤掉无效或不完整的部分后，选择了2,803辆进行强制变道的车辆。使用本文提出的协作变道提取方法，我们识别出112对进行协作变道的车辆对。每对车辆包括两辆车（LCV和TFV），在x和y方向上有120帧的轨迹，总计53,760个数据点。这些轨迹作为输入

结论

在这项研究中，我们提出了CoDEA，这是一种新颖的三阶段流程，旨在解决协作驾驶系统现实世界数据的严重缺乏问题。该框架首先从大规模的自然驾驶数据中系统地提取协作变道场景。为了解决协作变道事件的稀缺问题，我们开发了IA-DiffTraj，这是一个通过我们提出的IA-CE模块增强的生成模型。该模块编码了两辆车之间的交互运动

CRediT作者贡献声明

叶莉：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，数据管理，概念化。李伟然：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，数据管理，概念化。周瑞

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国国家重点研发计划（2023YFB2504700）、国家自然科学基金（编号52472371）、湖南省自然科学基金（编号2024JJ5030）、湖南省杰出青年科学基金（编号2025JJ20072）以及湖南省科技创新计划（编号2023RC3143、2024RC3014）的资助。