在具身智能技术快速发展的当下，多智能体仿真已成为推动算法创新与安全验证的核心基础设施。传统仿真方案长期面临两难困境：连续回归模型虽能生成平滑轨迹，却难以捕捉行人急停、车辆变道等突发行为；离散词元模型虽擅长处理行为突变，但生成的运动序列常出现不连续性，难以直接应用于机器人规划控制。这种技术瓶颈导致仿真环境与真实场景存在显著差异，制约了具身智能系统的落地应用。
针对这一挑战，研究团队提出UniMM（Unified Mixture Model）统一混合模型框架，通过创新性地将连续回归与离散词元建模机制深度融合，构建出兼具行为多样性与轨迹平滑性的新型仿真体系。该框架采用双分支架构设计，离散分支专门处理非连续运动模式，连续分支确保输出轨迹符合物理运动约束，两者通过动态权重分配机制实现优势互补。实验数据显示，这种混合建模方式使智能体行为真实度提升37%，轨迹平滑度优化29%，有效解决了传统模型顾此失彼的技术难题。
闭环仿真中的分布偏移问题是制约长时序推演可信度的关键因素。当模型基于自身预测结果持续迭代时，微小误差会逐级放大，导致智能体行为逐渐偏离真实分布。UniMM创新性地引入闭环样本生成策略，在训练阶段将模型自生成的预测数据纳入训练集，使系统提前适应误差累积效应。通过时序解耦-对齐机制，该框架成功破解捷径学习与离策略学习两大技术障碍，确保长时域预测的稳定性。基准测试表明，采用闭环样本训练的模型在120秒持续推演中，行为崩坏率降低至传统方案的1/5以下。
在半封闭园区无人驾驶场景的应用验证中，UniMM展现出显著的技术优势。针对文旅景区与产业园区人车混行的复杂环境，该框架可批量生成包含危险边缘案例的高保真仿真数据，使算法安全测试覆盖度提升3倍以上。动态障碍物轨迹预测模块通过融合离散-连续建模优势，在游客行为突变场景下的预测误差较传统方案减少42%，长周期预测可靠性得到质的提升。更值得关注的是，仿真生成的样本数据可替代60%以上的实机采集需求，使新园区项目适配周期缩短40%，显著降低数据采集成本与调试风险。
该技术的突破性在于重新定义了数据配置的核心价值。研究证实，模型配置差异对仿真性能的影响不足15%，而数据配置策略的优化可带来超过80%的性能提升。通过证明离散NTP方法的优异表现源于其隐含的闭环样本机制，UniMM为混合模型发展开辟了新路径。无锚点与基于锚点的两类回归模型在WOSAC基准测试中均达到行业领先水平，验证了数据优化策略的普适性。这项成果不仅为具身智能仿真提供了新的理论框架，更为机器人技术在复杂场景中的规模化应用奠定了技术基础。
