本文介绍了一种基于仿真的测试平台，支持用名为 Scenic 的概率编程语言进行情景建模，指定具有部分优先级排序的多目标评估指标，验证所提供的指标，以及进行可伸缩的测试。该平台包含 25 个 Scenic 程序库，并测试了行为预测模型并寻找失败情景。

Oct, 2021

利用自然语言生成场景程序的 AI 系统 ScenarioNL，通过 Scenic 概率编程语言，能够清晰而简洁地表示关于 CPS 行为、属性和相互作用的不确定性和变化，并能生成语法正确和语义有意义的代码，基于加利福尼亚州过去五年的公开可用的自动驾驶车辆事故报告进行了系统评估。

May, 2024

用于评估自动驾驶算法的仿真器，具有逼真的场景、用户友好的工作流程和高度准确的车辆动力学模型。

Jan, 2024

我们提出了一种灵活多用途的基于 NeRF 的模拟器，用于测试自动驾驶软件系统，重点关注传感器真实感闭环评估和创建安全关键场景。通过从实际驾驶传感器数据序列中学习，模拟器能够重构和渲染新的未见场景。我们使用该模拟器测试了自动驾驶模型对欧洲新车评估计划（Euro NCAP）所启发的安全关键场景的响应。我们的评估结果表明，虽然最先进的端到端规划器在开环环境中的正常驾驶场景中表现出色，但在闭环环境中导航我们的安全关键场景时存在严重缺陷，这凸显了端到端规划器在安全性和实际可用性方面的改进需要。通过以易于运行的评估套件的形式公开发布我们的模拟器和场景，我们邀请研究界在受控但高度可配置和具有挑战性的传感器真实环境中探索、完善和验证他们的自动驾驶模型。

Apr, 2024

自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。

Jul, 2024

本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

Apr, 2018

本文提出了一种基于形式化方法的智能汽车自动场景测试的新方法，结合仿真和实际测试，并通过实验验证形式化仿真可以有效识别可在跑道上运行的测试用例，仿真和真实世界之间的差距可以得到系统评估和弥合。

Mar, 2020

本文提出了一种新的概率编程语言，用于设计和分析感知系统，特别是基于机器学习的系统，在处理罕见事件、测试性能和调试故障方面能够发挥作用；我们将其称为 Scenic，并将其应用于自动驾驶汽车和机器人等系统中，以描述场景。

Sep, 2018

介绍了一种基于概率编程语言的开发和分析方法，特别用于基于机器学习的物联网系统，提出了一种基于 Scenic 的分布式场景和环境模型的领域特定语言，并在卷积神经网络中进行了应用。

Oct, 2020

本文介绍了 AdvSim，这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架，通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。

Jan, 2021