自主车辆安全验证的挑战在于不同于训练数据的安全关键情况，通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况，可以改善自主车辆的安全性。我们的方法基于历史交通数据，允许工程师生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。我们引入了概率车道图 (PLGs) 来描述有限的车道位置和方向，PLGs 的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式，表示驾驶员对给定状态的响应行为，我们使用强化学习技术修改这个策略，生成逼真且可解释的边界情况，用于评估自主车辆的安全性。
Aug, 2023
通过建立场景分类方法，可以减少获得自动驾驶系统（ADS）安全性的统计显著证据所需的时间。我们提出了一种能够模拟车辆与环境以及其他交通参与者之间交互的复杂交通场景分类方法，利用图卷积网络来建模这些场景的空间和时间特征，并在覆盖不同驾驶环境并逐帧进行注释的数据集上进行训练，为未来关于逐帧复杂场景分类的研究提供了有前景的基线。
Oct, 2023
通过使用图形来构建一个有意义的嵌入空间，我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集，从而在后续测试过程中识别相似场景，从而减少冗余测试运行。
Sep, 2023
本研究提出使用生成对抗网络（GAN）生成细粒度场景图的方法，该方法首先生成单个关于具体区域场景的子图，并在不需要边界框标签的情况下，生成带属性信息的场景图。实验证明了该模型在数据集上的表现优于之前的工作，并能处理更大的词汇量。
Feb, 2018
本研究提出了一种新的 SGG 基准测试方法，包括过程生成的天气损坏和其它转换，提出了一种称为 HiKER-SGG 的方法，利用层次化知识图对场景图生成进行精化预测，并在苛刻环境下展示了卓越的性能。
Mar, 2024
本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。
Jan, 2023
通过三个连续的阶段，构建场景图、推理和推断，我们提出了一种三维基于点的场景图生成（SGG_point）框架，在推理阶段创建了一种面向边缘的图卷积网络（EdgeGCN），以利用多维边缘特征进行显式关系建模，同时探索了节点和边缘之间的两种相关的孪生交互机制，以独立演化场景图表示。
Mar, 2021
自动驾驶车辆的分布需要处理各种意外和可能危险的情况，这些情况被称为边缘情况，而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而，在大规模数据集中只有有限数量的边缘情况数据，这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。
Sep, 2021
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。
本文提出了一个用于无条件生成场景图的生成模型 SceneGraphGen，通过层级循环架构直接学习带标签和有向图的概率分布，生成的场景图多样且遵循真实场景的语义模式，同时还证明了生成的图在图像合成、异常检测和场景图完整性方面的应用。
Aug, 2021