自動駕駛技術的快速發展已遠超安全評估方法的進步。傳統的測試方法依賴將自動駕駛系統暴露於海量真實世界交通場景中，這是一種暴力測試方法，不僅成本高昂，而且在統計上難以捕捉到驗證系統魯棒性所需的安全關鍵邊緣案例。針對這一根本性侷限，來自多個機構的研究人員聯合提出了STRELGen——一個可擴展的針對性安全關鍵駕駛場景生成框架。
STRELGen的核心創新在於將多智能體軌跡生成擴散模型與時空邏輯（STREL）規範有機結合。擴散模型能夠從學習到的數據分佈中生成逼真的多智能體軌跡，而STREL則通過高度可解釋的形式化語言編碼複雜的安全性與真實性屬性。更關鍵的是，STREL規範滿足度的監控函數是可微分的，這允許在推理過程中進行基於梯度的優化。具體而言，STRELGen在擴散模型的潛在空間上進行優化，直接最大化STREL公式的滿足度，從而引導生成過程傾向於安全關鍵但依然符合數據分佈的場景。
這種方法帶來的結果是，STRELGen能夠高效地生成既高度逼真又具有安全關鍵性的多智能體場景。這些場景不僅位於學習到的數據分佈內，避免了生成不切實際的案例，而且能夠系統地探索安全關鍵區域，為自動駕駛系統的壓力測試提供了強有力的工具。與傳統的暴力數據收集相比，STRELGen生成的場景更具針對性，能夠覆蓋那些在真實世界中罕見但對系統安全至關重要的情形。
該研究標誌着自動駕駛安全評估領域的一個重要進展。通過將神經生成模型與符號邏輯相結合，STRELGen不僅提升了場景生成的效率和質量，還增加了過程的可解釋性。研究人員表示，該框架的靈活性使其能夠適應不同的安全規範需求，未來有望成為自動駕駛測試標準流程的一部分。論文發表於arXiv，編號2605.19038，由Lorenzo Bonin等人撰寫。