針對自動駕駛開發中安全關鍵場景稀缺的問題，來自多倫多大學和Uber高階技術集團的Zimu Gong、Brian Zhaoning Zhang、Chris Zhang、Kelvin Wong及Raquel Urtasun提出了一種名為條件流變分自編碼器（Conditional Flow-VAE）的新方法，用於高效生成逼真且可擴充套件的安全關鍵交通場景。該研究已被2026年IEEE國際機器人與自動化大會（ICRA 2026）接收。
安全關鍵場景是測試自動駕駛系統（AVs）魯棒性的核心，但真實駕駛資料中這類場景極為罕見。傳統模擬方法依賴手動設計測試案例，難以覆蓋所有邊緣情況；而對抗最佳化方法雖能自動生成挑戰性場景，但常產生不符合物理規律的非真實行為。研究團隊提出的條件潛流匹配方法（conditional latent flow matching）透過分佈匹配技術，將普通標稱駕駛場景（nominal scenes）轉化為安全關鍵場景的車輛行駛軌跡（rollouts），從而在保持場景真實性的同時實現大規模生成。
該框架的關鍵創新在於條件流匹配與變分自編碼器的融合。具體而言，模型學習從標稱場景潛在表徵到安全關鍵場景潛在表徵的對映，並透過連續歸一化流（CNF）實現平滑變換。結合來自CARLA模擬器與真實駕駛資料集（如nuScenes）的混合資料訓練，方法能夠生成包含近距離切入、急剎車、行人橫穿等多樣化危險場景，且保證動態要素的物理合理性。
實驗結果顯示，Conditional Flow-VAE在生成成功率、場景新穎性和真實性指標上均優於現有方法（如GAN-based和VAE-based基線）。生成場景不僅覆蓋了訓練資料中未見過的挑戰模式，還能透過控制條件引數（如碰撞時間）調節危險程度，為AV系統提供更完整的測試覆蓋。論文作者指出，該技術可無縫整合到現代自動駕駛模擬管線中，用於訓練強化學習策略或評估規劃模組的極限效能。