یک مرور جامع تازه‌منتشر‌شده در arXiv، بررسی ساختارمندی از روش‌های هوش مصنوعی برای مدل‌سازی و شبیه‌سازی ترافیک ترکیبی خودران ارائه کرده است که با توجه به افزایش حضور خودروهای خودران در جاده‌ها، نیازی حیاتی محسوب می‌شود.
این مرور که توسط سعید رحمانی نگاشته شده و در آوریل ۲۰۲۶ ارسال شده، محدودیت‌های چشمگیری در ابزارهای شبیه‌سازی موجود شناسایی می‌کند. این ابزارها عمدتاً بر واقع‌گرایی بصری تأکید دارند و از مدل‌های ساده مبتنی بر قوانین استفاده می‌کنند که قادر به درک پیچیدگی تعاملات واقعی رانندگی نیستند.
پژوهشگران رویکردهای موجود را در سه دسته اصلی سازمان‌دهی کرده‌اند: مدل‌های رفتاری سطح عامل که تصمیم‌گیری فردی خودروها را شبیه‌سازی می‌کنند، روش‌های شبیه‌سازی سطح محیط که پویایی‌های گسترده‌تر ترافیک را ثبت می‌کنند، و روش‌های شناختی-فیزیکی که استدلال شبیه انسان و قیدهای فیزیکی را ترکیب می‌کنند. این طبقه‌بندی تلاشی برای پُر کردن شکاف میان حوزه‌های سنتی مهندسی ترافیک و علوم کامپیوتر است.
نویسندگان یادآوری می‌کنند که تلاش‌های مروری پیشین پراکنده بوده‌اند؛ برخی صرفاً بر بسترهای شبیه‌سازی تمرکز کرده‌اند بدون بررسی روش‌شناسی‌های زیربنایی هوش مصنوعی، و برخی دیگر بر تصمیم‌گیری خودمحور خودرو تمرکز داشته‌اند بدون توجه کافی به تعاملات با ترافیک اطراف. هیچ کار موجودی چارچوب یکپارچه‌ای از مدل‌سازی رفتار فردی تا شبیه‌سازی صحنه کامل ارائه نکرده است.
با ادامه فعالیت خودروهای خودران در جاده‌های عمومی، نیاز به چارچوب‌های آزمون و اعتبارسنجیrobust روزبه‌روز فوری‌تر می‌شود. شبیه‌سازی محیطی امن و کنترل‌شده برای ارزیابی عملکرد خودروهای خودران در شرایط متنوع فراهم می‌کند، اما دقت این شبیه‌سازی‌ها به‌طور مستقیم به پیچیدگی مدل‌های رفتاری به‌کاررفته بستگی دارد.
این مرور نگاهی تاریخی به توسعه روش‌های هوش مصنوعی در این حوزه دارد و پروتکل‌های ارزیابی، ابزارهای شبیه‌سازی موجود و مجموعه‌داده‌های در دسترس را بررسی می‌کند. نویسندگان مسیرهای متعددی برای کاهش شکاف میان قابلیت‌های فعلی و الزامات پژوهش ترافیک ترکیبی ترسیم کرده‌اند، هرچند جدول زمانی مشخصی برای اجرا تعیین نشده است.
گفتگو