密歇根大学工程团队近日在《自然·通讯》发表研究，揭示将仿真与真实场景中的险情数据与碰撞事故数据相结合，可大幅提升自动驾驶算法训练效率，使车辆安全性能提升高达90%。该研究由密歇根大学交通研究所及Mcity测试中心主导，旨在破解自动驾驶商业化面临的核心安全顾虑。 长期以来，自动驾驶算法训练高度依赖真实路测与模拟数据，但安全关键事件在现实中极为罕见。传统训练多聚焦于碰撞失败案例，却忽视了同具高参考价值的险情数据。研究指出，人工智能训练常面临问题反复显现的挑战，仅依赖碰撞数据易引发新的不可预见风险。通过在仿真环境中大量引入险情数据，其发生频率约为实际事故的千倍，并与失败案例混合训练，算法对复杂交通场景的应对能力得到根本性改善。 在Mcity测试设施的实际验证中，该混合数据训练法使车辆安全性能跃升90%。结合团队前期技术，该方法成功突破自动驾驶测试的罕见事件瓶颈，将获取有效安全数据所需的路测里程削减了99.9%。此项突破不仅大幅加速了算法迭代与合规测试流程，降低研发门槛，更有望重塑公众信任，推动汽车行业稳步向高等级完全自动化迈进。