利用时空逻辑引导神经符号场景生成
本文提出STRELGen框架，结合扩散模型与时空逻辑（STREL）规范，通过可微分的满意度监控进行梯度优化，高效生成逼真的安全关键驾驶场景，从而克服传统暴力测试的局限性。
自动驾驶技术的快速发展已远超安全评估方法的进步。传统的测试方法依赖将自动驾驶系统暴露于海量真实世界交通场景中，这是一种暴力测试方法，不仅成本高昂，而且在统计上难以捕捉到验证系统鲁棒性所需的安全关键边缘案例。针对这一根本性局限，来自多个机构的研究人员联合提出了STRELGen——一个可扩展的针对性安全关键驾驶场景生成框架。
STRELGen的核心创新在于将多智能体轨迹生成扩散模型与时空逻辑（STREL）规范有机结合。扩散模型能够从学习到的数据分布中生成逼真的多智能体轨迹，而STREL则通过高度可解释的形式化语言编码复杂的安全性与真实性属性。更关键的是，STREL规范满足度的监控函数是可微分的，这允许在推理过程中进行基于梯度的优化。具体而言，STRELGen在扩散模型的潜在空间上进行优化，直接最大化STREL公式的满足度，从而引导生成过程倾向于安全关键但依然符合数据分布的场景。
这种方法带来的结果是，STRELGen能够高效地生成既高度逼真又具有安全关键性的多智能体场景。这些场景不仅位于学习到的数据分布内，避免了生成不切实际的案例，而且能够系统地探索安全关键区域，为自动驾驶系统的压力测试提供了强有力的工具。与传统的暴力数据收集相比，STRELGen生成的场景更具针对性，能够覆盖那些在真实世界中罕见但对系统安全至关重要的情形。
该研究标志着自动驾驶安全评估领域的一个重要进展。通过将神经生成模型与符号逻辑相结合，STRELGen不仅提升了场景生成的效率和质量，还增加了过程的可解释性。研究人员表示，该框架的灵活性使其能够适应不同的安全规范需求，未来有望成为自动驾驶测试标准流程的一部分。论文发表于arXiv，编号2605.19038，由Lorenzo Bonin等人撰写。