本文提出一种基于深度强化学习的生成安全关键场景的方法，通过基于生成模型的可信度目标和基于风险目标的奖励函数，成功地生成了高质量的安全关键场景。
Jun, 2023
该研究提出了一种基于流的多模态安全关键场景生成器用于评估决策算法的鲁棒性，并使用六个强化学习算法进行实验，从而得出了它们的鲁棒性。
Sep, 2020
评估自动驾驶车辆规划算法的性能需要模拟长尾交通场景。通过引入基于引导扩散模型的闭环模拟框架，我们提出一种新的方法来生成现实世界情景的安全关键场景，并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标，我们改善了道路进展，同时降低了碰撞和离道率，从而实现了这一目标。通过去噪过程中的对抗项，我们开发了一种模拟安全关键场景的新方法，使对抗性代理能够通过可行的操纵手段挑战规划器，同时场景中的所有代理均表现出反应灵敏和逼真的行为。我们通过使用 NuScenes 数据集的实证验证了我们的框架，证明了在现实性和可控性方面的改进。这些发现肯定了引导扩散模型为安全关键、互动式交通模拟提供了强大而通用的基础，进一步扩展了其在自动驾驶领域的实用性。请访问我们的项目页面（https URL）获取更多资源和演示。
Dec, 2023
使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。
Mar, 2021
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
使用基于图的条件 VAE 作为交通流动的学习模型，通过在潜在空间的优化来扰动真实场景，进而产生与给定策划者发生碰撞的轨迹，从而形成贴合实际、挑战性强的场景，并对碰撞类型进行进一步的分析，最终用这些场景来优化基于规则的策略规划者。
Dec, 2021
自动驾驶车辆的验证是开发和性能评估的关键，本文通过数据驱动和知识驱动方法分析场景生成的复杂性，并引入 BridgeGen 框架以整合两种方法的优势，以提高生成各种安全关键场景的效率。
Nov, 2023
基于生成模型的高效模拟器可用于改进自动驾驶系统的可扩展性、安全性和降低工程成本，这种创新设计可用于生成各种驾驶场景，提高推理和训练速度，适用于在线强化学习、规划策略评估和测试的高保真度仿真器。
Jul, 2024
自动化生成多样且复杂的训练场景对于许多复杂的学习任务至关重要，本论文介绍了 MAT-Gym，这是一个用于 CARLA 高保真驾驶模拟器的多智能体交通场景训练框架，通过使用部分场景描述来生成具有不同数量智能体的交通场景，并演示了如何将其与无监督环境设计技术相结合以自动化生成自适应的自动课程。
Mar, 2024
通过检索基增强的情境学习框架 RealGen，在交通场景生成领域中实现的灵活性和可控性，为生成自动驾驶车辆训练和评估的复杂行为启发了新的方向。