Relier des états spécifiés avec des trajectoires de véhicules stochastiques cohérentes avec le comportement pour améliorer le réalisme de la simulation de jumeaux numériques

La technologie des jumeaux numériques (JD) intègre le monde physique avec son homologue numérisé et suggère un potentiel significatif pour le développement de systèmes de transport intelligents, tels que les tests et le développement de CAV. Dans un avenir proche prévisible, les véhicules conduits par des humains (VCH) continueront à prédominer, et une réplique numérique du système de transport doit refléter leurs modèles comportementaux pour des fins de réalisme de simulation amélioré. En ce sens, le comportement stochastique des conducteurs et la dynamique des véhicules doivent être pris en compte. Les observations servant d'entrée pour le JD, souvent capturées à des moments discrets (par exemple, les unités de bord de route et les caméras ne sont installées qu'à certains endroits), aboutissent à des trajectoires de véhicules capturées de manière discontinue. La génération stochastique de trajectoires de véhicules cohérentes avec le comportement, conditionnée par une telle information incomplète, devient importante. Les approches conditionnelles actuelles, y compris le pont brownien modifié (PBM) et le pont de proposition guidé (PPG), peuvent ne pas être en mesure de produire des résultats réalistes. Pour combler cette lacune, nous proposons des méthodes de génération conditionnelle de trajectoires cohérentes avec le comportement, employant pour la première fois l'approche du pont stochastique. Tout d'abord, un modèle de dynamique véhiculaire qui encapsule la stochasticité du système humain-véhicule est utilisé, puis nous prouvons que le PBM et le PPG ne parviennent pas à générer des résultats satisfaisants. Ensuite, une méthode avant-arrière est proposée basée sur le processus de Markov inversé, qui prend le modèle de dynamique véhiculaire comme entrée comportementale. La méthode proposée est validée par rapport à des données du monde réel et des plateformes de simulation mainstream, montrant que la méthode de génération avant-arrière fournit des résultats cohérents et réalistes. Son temps de consommation a également été prouvé prometteur pour les applications JD en temps réel.