自動運転システムの安全性検証には、高リスクシナリオのカバレッジ、明確な衝突セマンティクス、実行可能な軌跡、および帰属可能な複数車両の相互作用が必要です。既存の安全クリティカルなシナリオ生成手法は、低レベルの軌跡摂動、衝突プロキシ最適化、または単一の敵対的探索に依存することが多く、その結果、衝突原因が曖昧だったり、制御不能な複数車両衝突を引き起こす敵対的サンプルが生成される可能性があります。この問題に対処するため、中国の研究チームはKG-ASG（Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation with Primary-Support Attribution）フレームワーク、すなわち衝突知識に基づくクローズドループの敵対的シナリオ生成と主従帰属を提案しました。
KG-ASGの核心は、構造化された衝突知識ベースを構築し、軽量な衝突専門家モデル（Collision Expert）を訓練して、目標衝突モード、唯一の主対抗車両、支援車両、およびそれらの相互作用役割を推論することです。これらのセマンティック事前知識に基づき、複数車両の敵対的生成は主従プロセスとして定式化されます。主対抗車両は主要な衝突を引き起こし、支援車両は周囲のリスク構造を形成しますが、追加の衝突者にはなりません。実行可能なサンプルを保証するため、ルール、物理、相互作用安全、および単一衝突者制約がハードゲートとして課され、非実行可能サンプルをフィルタリングします。さらに、反応的な自車行動に対処するため、プランナー・コントローラーのフィードバックを利用した故障診断、候補再ランキング、終端洗練が行われ、閉ループ最適化を実現します。
研究チームはMetaDriveプラットフォーム上でWaymo Open Motion Dataset（WOMD）のシナリオを再構築して実験を行いました。その結果、KG-ASGはIDM、Cruise、Expertの各コントローラーにおいて強力な敵対的有效性を示し、同時に有効主攻撃（Valid Primary Attack）の比率を大幅に向上させ、複数衝突イベントを削減し、閉ループ復旧能力で利得を得ました。これらの成果は、衝突知識のガイダンスと主従単一衝突者推論が、自動運転の安全性検証における敵対的サンプルの有効性、解釈可能性、実行可能性を向上させることを実証しています。本研究成果は、自動運転システムの効率的な安全テストに新たな方法論的支援を提供し、業界標準をより厳密な検証プロセスへと導くことが期待されます。