自动驾驶（AD）技术的快速演进，已经明显快于配套安全评估方法的发展。传统的测试思路是把自动驾驶系统暴露在海量的真实交通场景中，靠规模取胜；但这种“暴力式”方法成本高昂，而且在统计上效率不高，很难捕捉到真正决定系统鲁棒性的稀有、安全关键边缘案例。针对这一根本性局限，论文提出了名为 STRELGen 的可扩展框架，用于有针对性地生成安全关键驾驶场景。该论文于2026年5月18日提交至 arXiv，属于机器人学（cs.RO）方向，并交叉列入机器学习（cs.LG），作者为 Lorenzo Bonin 等共五人，提交人为 Francesco Giacomarra。
STRELGen 的核心思路是把两类技术协同起来：一类是多智能体轨迹生成的扩散模型（DM），另一类是时空逻辑（Spatio-Temporal Logic，简称 STREL）规约。后者用一种高度可解释的形式化语言，编码复杂的安全属性与真实性属性，使研究者能够清楚地表达“什么样的场景才算危险但合理”。
更关键的一点在于，对这些规约的满足程度进行监控是可微分的，因此可以直接做基于梯度的搜索。在推理阶段，框架直接在扩散模型的潜空间上进行优化，以最大化 STREL 公式的满足程度。这样一来，系统就能高效生成既高度逼真、又具有安全关键性的多智能体场景，而且这些场景仍落在模型学到的数据分布之内，不会退化成不切实际的幻想场景。
从评测角度看，这一方法的意义在于把“被动收集数据”转变为“按目标主动生成”。由于规约本身可解释，测试人员可以明确知道每个生成场景在检验什么性质；由于生成过程可微且可在潜空间中优化，搜索稀有边缘案例的效率也远高于盲目扩充数据集。STRELGen 因此被作者定位为一种灵活、可解释且有力的工具，用于对自动驾驶系统进行压力测试，从而突破暴力式数据采集的局限。
需要说明的是，本文目前为 arXiv 预印本初版（v1），全文约 4.9 MB，尚需经过同行评审与后续复现验证；其实际效果也有待更多基准与真实系统上的评测来确认。