自動運転技術の急速な進歩は、堅牢な安全評価手法の開発を追い越している。従来のテストは、膨大な数の実世界交通シーンに自動運転システムを晒すことに依存しており、この力任せのアプローチは法外なコストがかかる上、実世界の堅牢性を検証するために不可欠な稀で安全上重要なエッジケースを捉えるには統計的に非効率である。この根本的な限界に対処するため、Lorenzo Boninら5名の研究者はSTRELGenを導入した。これは安全上重要な運転シナリオを標的に生成するためのスケーラブルなフレームワークであり、2026年5月18日にarXiv（2605.19038）に投稿された。
STRELGenの中心的な革新は、マルチエージェント軌跡生成拡散モデル（DM）と時空間論理（STREL）仕様を相乗的に組み合わせることにある。拡散モデルは実交通データの分布を学習し、現実的なマルチエージェント相互作用軌跡を生成できる。一方、STREL仕様は高度に解釈可能な形式言語を提供し、複雑な安全特性とシナリオの現実性要件を記述する。このニューロシンボリックなハイブリッド手法は、データ駆動型の生成能力を保持しつつ、論理レベルでの正確な制約を導入する。
特に重要なのは、STREL仕様の充足度が微分可能に監視できる点であり、これにより勾配ベースの探索が可能になる。推論時には、拡散モデルの潜在空間上で直接最適化を行い、STREL式の充足度を最大化する。この方法により、STRELGenは学習されたデータ分布内に留まりながら、高度に妥当でありかつ安全上重要なマルチエージェントシナリオを効率的に生成する。これにより、非現実的な極端ケースの生成を避けることができる。
このフレームワークは、自動運転システムのストレステストに対して柔軟で解釈可能かつ強力なツールを提供する。従来の力任せのデータ収集と比較して、STRELGenはシステムの安全性に真の脅威をもたらす稀なシナリオを標的に探索できるため、自動運転システムの堅牢性をより効果的に検証できる。論文はロボティクス（cs.RO）と機械学習（cs.LG）の学際領域に分類され、全文はarXivで入手可能である。