本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构，并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法，并且适应性强。

Mar, 2020

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

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

基于CARLA和ScenarioRunner的系统级仿真验证验证框架的实例化研究，以及其在自动驾驶系统的自动生成场景方面的有效性研究。

Nov, 2023

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

智能驾驶系统旨在实现零碰撞移动体验，本研究侧重于风险识别，即识别和分析源自动态交通参与者和意外事件的风险。我们引入了RiskBench，一个基于情景的大规模风险识别基准，通过设计情景分类法和增强管道，系统收集多样情景下的风险的真实数据。通过评估十种算法在检测和定位风险、预见风险以及促进决策方面的能力，我们进行了广泛的实验并总结了风险识别方面的未来研究，旨在鼓励合作努力实现零碰撞的社会。我们已在项目页面上公开了数据集和基准工具包。

Dec, 2023

自动驾驶系统测试对于系统的开发非常关键，现有研究大都关注系统的安全性，然而评估非安全性能对自动驾驶车辆的最优决策能力和路径生成能力同样重要，本文提出了评估自动驾驶系统决策质量的新方法，并建立了一个高效检测非最优决策情景的框架，实验证明了其有效性。

Feb, 2024

本研究解决了自主车辆决策系统评估中获取真实且具挑战性的安全关键测试场景的难题。通过利用自然人类驾驶先验和强化学习技术，我们提出了一种自然对抗场景生成方案，能够大规模生成多样且真实的测试场景。我们的研究显示，该模型能够生成覆盖自然性与对抗性的真实安全关键测试场景，为自主车辆的开发奠定了基础。

Aug, 2024

这项研究解决了自动驾驶系统（ADS）事故根本原因分析的缺失问题，提出了ROCAS框架，该框架结合网络和物理突变技术，能够精确识别事故触发实体和ADS配置错误。研究展示了ROCAS在缩小搜索范围和识别误配置方面的有效性，提供了详细案例以帮助理解事故背后的原因。

Sep, 2024

本研究解决了自主驾驶系统（ADS）事故原因理解的重大缺口，提出了一种新的根本原因分析框架ROCAS。通过网络物理共突变的方法，ROCAS能够精确识别事故触发实体和ADS的错误配置，显著提升了事故分析的效率和准确性，对提高自主驾驶安全性和可靠性具有重要影响。

Sep, 2024