组会简讯：2026年秋季第9次组会

2026年4月28日，课题组举行了线下大组会，指导老师唐克双教授、朱宏副教授，课题组全体成员参与了本次例会。本次组会主要内容为钟文杰同学、李子正同学的研究进展汇报。

一、钟文杰研究进展汇报

钟文杰同学围绕“嘉定信控示范项目算法及仿真验证”从三个方面进行了汇报，介绍了算法闭环验证、信号控制优化及仿真结果分析三方面的进展。目前已完成数据采集、路径识别、路径流量估计与预测、信号控制优化及方案下发的全流程离线闭环验证，并在 TESSNG 仿真平台完成方案下发测试。信号控制优化中，通过关键路径识别与控制子区划分，为每个交叉口设计多种相位结构，并结合流向饱和度和绿波带宽进行优化。仿真对比显示，无论在部分交叉口还是整体路网层面，优化方案均显著改善了排队长度与延误，其中基于预测路径流量的方案效果最佳。后续工作将实现全流程线上化运行，通过模拟真实路口布设检测器和仿真速度的在线算法运行，构建接近真实运行环境的在线闭环验证平台，为未来实际路网部署奠定基础。唐老师、朱老师对汇报内容给予肯定，同时在信号控制参数和相位结构细节方面提出了进一步改进建议。

二、李子正研究进展汇报

李子正同学围绕硕士学位论文的前两大章节研究"考虑高速公路驾驶行为异质性的物理引导深度聚类与轨迹生成"作了研究进展汇报。本次汇报基于NGSIM US-101数据集（25,045个跟驰窗口、150帧×16维特征、含2,088个换道事件），在共享数据、共享IDEC聚类和共享IDM/MOBIL双物理约束的统一框架下，构建了A/B双线对照的两个模型方案。

在"模型A：PI-Trans-IDEC-Diff"中，李子正同学介绍了基于Transformer-VAE的驾驶轨迹表征学习、物理约束融合与IDEC驾驶风格识别，以及基于条件扩散模型的风格化轨迹生成三阶段技术路线，模型采用4层Transformer编码器提取32维潜变量，结合IDM跟车头(lc-gated)、MOBIL换道头与动力学差分损失L_dyn构成五项联合损失训练，下游使用1D U-Net DDPM进行风格条件扩散生成。在"模型B：PI-ATBL-IDEC-CopGAN"中，汇报介绍了Copula联合分布预处理、AT-BiLSTM-IDEC驾驶行为分类、Copula-GAN簇条件轨迹生成、PPO微调与端到端推理的四阶段流程，核心创新在于通过6维Gaussian Copula对IDM/MOBIL物理参数的联合分布对齐，以及PPO策略对生成器的物理reward微调。

在实验结果方面，模型A在三簇（C0平稳跟随、C1激进自由流、C2保守拥堵）上取得Silhouette=0.9771、Davies-Bouldin=0.0320的高质量聚类，加权MMD=0.114、物理可行率100%、TVR(acc)=0.587，时空动力学验证显示合成轨迹能复现真实拥堵/自由流形态；模型B在小批量5000条测试样本上取得Silhouette=0.8483、三簇均衡分布(33%/33%/34%)，Copula-GAN在200 epoch收敛，加权MMD=0.228，6维物理参数Wasserstein-1距离整体良好(a_max W1=0.250、T W1=0.130、p W1=0.264)，体现了单纯GAN拿不到的物理结构对齐能力。横向对比来看，模型A在聚类质量、生成质量和物理可行率指标上整体领先，模型B则在Copula物理参数对齐方面具有独特价值。

下一步计划方面，将分四阶段推进：第一阶段补完模型B的Stage 3 PPO重训与评测、并将动力学差分损失迁移到模型B；第二阶段提升训练规模和扩样规模，并接入下游验证的ADE/FDE评估；第三阶段完成消融实验与对比实验；第四阶段对接交通流仿真，量化驾驶异质性对拥堵磁滞回环的影响。

交流环节中，唐克双老师围绕场景细分、评估体系和训练完善等方面提出了进一步建议。首先，唐老师建议将自由流、约束流、拥挤流三种交通场景与三类驾驶风格相结合，构建3×3的异质性聚类识别框架，使风格识别更加贴合不同交通流状态下的真实驾驶差异；同时针对3×3矩阵中可能出现的极端小样本轨迹（例如拥挤流下的激进驾驶等少见组合），建议引入小样本学习方法进行有针对性的数据增强与扩样，提升对长尾稀有场景的覆盖能力。其次，唐老师指出当前模型评估指标需要更加全面，应充分体现轨迹学习扩样的有效性和多样性，不仅关注聚类质量和分布对齐，还要在下游任务、时空动力学一致性、多样性度量等多个维度形成完整的评价闭环，让"扩出的轨迹真正有用、且有差异"这一核心价值得到充分量化。最后，唐老师建议针对当前模型B Stage 3 PPO效果不佳、模型A长尾过度采样、横向运动学习不充分等已识别问题，进一步完善训练流程并改善结果，确保两条主线在最终对比时都能呈现稳定、收敛、可解释的实验表现。