自動運転システムの開発において、安全性が重要なシナリオ（Safety-Critical Scenarios）の不足が課題となっている。実際の走行データでは稀なこうしたシナリオを効率的に生成するため、トロント大学とUber Advanced Technologies GroupのZimu Gong、Brian Zhaoning Zhang、Chris Zhang、Kelvin Wong、Raquel Urtasunらは、条件付きフロー変分オートエンコーダ（Conditional Flow-VAE）を提案した。本手法は2026年のIEEE国際ロボティクス・オートメーション会議（ICRA 2026）で発表される。
従来のシミュレーションでは手動テストケースに依存しスケーラビリティに欠け、敵対的最適化は非現実的な挙動を生む問題があった。提案手法は、条件付き潜在フローマッチング（conditional latent flow matching）を用いて、通常の走行シーンを安全性が重要なロールアウトに変換する。これにより、現実性を維持しつつ大規模なシナリオ生成が可能となる。具体的には、変分オートエンコーダにより潜在空間を学習し、連続正規化フロー（CNF）で分布マッチングを実現する。CARLAシミュレータとnuScenesなどの実走行データを組み合わせて訓練することで、急な割り込み、急ブレーキ、歩行者の飛び出しなど多様な危険シナリオを生成できる。
実験では、Conditional Flow-VAEがGANやVAEベースの既存手法と比較して、生成成功率、新規性、現実性のすべてにおいて優れることが示された。生成されたシナリオは訓練データにない新しい障害パターンを含み、衝突時間などの条件パラメータで危険度を調整できる。著者らは、本技術が自動運転のシミュレーションパイプラインに容易に統合でき、強化学習ポリシーの訓練やプランニングモジュールの限界評価に貢献すると述べている。