针对自动驾驶开发中安全关键场景稀缺的问题，来自多伦多大学和Uber高级技术集团的Zimu Gong、Brian Zhaoning Zhang、Chris Zhang、Kelvin Wong及Raquel Urtasun提出了一种名为条件流变分自编码器（Conditional Flow-VAE）的新方法，用于高效生成逼真且可扩展的安全关键交通场景。该研究已被2026年IEEE国际机器人与自动化大会（ICRA 2026）接收。
安全关键场景是测试自动驾驶系统（AVs）鲁棒性的核心，但真实驾驶数据中这类场景极为罕见。传统模拟方法依赖手动设计测试案例，难以覆盖所有边缘情况；而对抗优化方法虽能自动生成挑战性场景，但常产生不符合物理规律的非真实行为。研究团队提出的条件潜流匹配方法（conditional latent flow matching）通过分布匹配技术，将普通标称驾驶场景（nominal scenes）转化为安全关键场景的车辆行驶轨迹（rollouts），从而在保持场景真实性的同时实现大规模生成。
该框架的关键创新在于条件流匹配与变分自编码器的融合。具体而言，模型学习从标称场景潜在表征到安全关键场景潜在表征的映射，并通过连续归一化流（CNF）实现平滑变换。结合来自CARLA模拟器与真实驾驶数据集（如nuScenes）的混合数据训练，方法能够生成包含近距离切入、急刹车、行人横穿等多样化危险场景，且保证动态要素的物理合理性。
实验结果显示，Conditional Flow-VAE在生成成功率、场景新颖性和真实性指标上均优于现有方法（如GAN-based和VAE-based基线）。生成场景不仅覆盖了训练数据中未见过的挑战模式，还能通过控制条件参数（如碰撞时间）调节危险程度，为AV系统提供更完整的测试覆盖。论文作者指出，该技术可无缝集成到现代自动驾驶仿真管线中，用于训练强化学习策略或评估规划模块的极限性能。