En un entorno urbano y no controlado, la presencia de tráfico mixto de vehículos autónomos, vehículos clásicos, usuarios vulnerables de la carretera, por ejemplo, peatones, y eventos dinámicos sin precedentes hace que sea un desafío para el vehículo autónomo clásico navegar por el tráfico de manera segura. Por lo tanto, la realización de la conducción autónoma colaborativa tiene el potencial de mejorar la seguridad vial y la eficiencia del tráfico. Sin embargo, un desafío obvio en este sentido es cómo definir, modelar y simular el entorno que capture la dinámica de un entorno urbano complejo. Por lo tanto, en esta investigación, primero definimos la dinámica del entorno previsto, donde capturamos las dinámicas relevantes para el entorno urbano complejo, destacando específicamente los desafíos que no se han abordado y que están dentro del alcance de la conducción autónoma colaborativa. Con este fin, modelamos el entorno urbano dinámico aprovechando un modelo gráfico probabilístico (PGM). Para desarrollar la solución propuesta, se requiere un entorno de simulación realista. Hay varios simuladores; CARLA (Car Learning to Act), uno de los más destacados, proporciona características y un entorno ricos; sin embargo, aún falla en algunos aspectos, por ejemplo, no puede capturar completamente la complejidad de un entorno urbano. Además, el CARLA clásico se basa principalmente en código manual y múltiples declaraciones condicionales, y no proporciona una forma predefinida de hacer las cosas automáticamente en función del entorno de simulación dinámica. Por lo tanto, hay una necesidad urgente de extender el CARLA estándar con configuraciones más sofisticadas que puedan modelar las dinámicas requeridas. En este sentido, diseñamos, desarrollamos e implementamos de manera integral una extensión del CARLA clásico denominada CARLA+ para el entorno complejo al integrar el marco PGM. Proporciona un marco unificado para automatizar el comportamiento de diferentes actores aprovechando los PGM. En lugar de atender manualmente cada condición, CARLA+ permite al usuario automatizar el modelado de diferentes dinámicas del entorno. Por lo tanto, para validar el CARLA+ propuesto, se diseñan y realizan experimentos con diferentes configuraciones. Los resultados experimentales demuestran que CARLA+ es lo suficientemente flexible como para permitir a los usuarios modelar varios escenarios, que van desde modelos controlados simples hasta modelos complejos aprendidos directamente de datos del mundo real. En el futuro, planeamos extender CARLA+ permitiendo más parámetros configurables y más flexibilidad en el tipo de redes y modelos probabilísticos que se pueden elegir. El código de código abierto de CARLA+ se pone a disposición del público para los investigadores.