在自动驾驶系统的安全验证中，覆盖高风险场景、明确碰撞语义、生成可执行轨迹以及归因多车交互至关重要。然而，现有的安全关键场景生成方法往往依赖于低层轨迹扰动、碰撞代理优化或单一对抗搜索，可能导致碰撞原因模糊或不受控制的多车碰撞。针对这一问题，来自中国的研究团队提出了KG-ASG（Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation with Primary-Support Attribution）框架，即碰撞知识引导的闭环对抗场景生成与主从归因框架。
KG-ASG的核心创新在于构建了一个结构化的碰撞知识库，并训练了一个轻量级的碰撞专家模型（Collision Expert），用于推断目标碰撞模式、唯一的主对抗车辆、支持车辆及其交互角色。基于这些语义先验，多车对抗生成被建模为一个主从过程：主对抗车辆引发主要冲突，而支持车辆塑造周围的风险结构，但不会成为额外的碰撞者。为了确保生成样本的可执行性，框架引入了规则、物理、交互安全和单碰撞器约束作为硬门控机制，过滤掉不可执行的样本。此外，针对自车的反应性行为，框架利用规划器-控制器的反馈进行故障诊断、候选重排序和终端细化，形成闭环优化。
研究团队在MetaDrive平台上重构了Waymo Open Motion Dataset（WOMD）的场景进行实验。结果显示，KG-ASG在IDM、Cruise和Expert三种控制器下均表现出强大的对抗有效性，同时显著提高了有效主攻击（Valid Primary Attack）的比率，减少了多车碰撞事件，并在闭环恢复能力上获得增益。这些成果证明了碰撞知识引导和主从单碰撞器推理能够有效提升自动驾驶安全验证中对抗样本的有效性、可解释性和可执行性。该工作为自动驾驶系统的高效安全测试提供了新的方法论支持，有望推动行业标准向更严谨的验证流程发展。