在自動駕駛系統的安全驗證中，覆蓋高風險場景、明確碰撞語義、生成可執行軌跡以及歸因多車交互至關重要。然而，現有的安全關鍵場景生成方法往往依賴於低層軌跡擾動、碰撞代理優化或單一對抗搜索，可能導致碰撞原因模糊或不受控制的多車碰撞。針對這一問題，來自中國的研究團隊提出了KG-ASG（Collision-Knowledge-Guided Closed-Loop Adversarial Scenario Generation with Primary-Support Attribution）框架，即碰撞知識引導的閉環對抗場景生成與主從歸因框架。
KG-ASG的核心創新在於構建了一個結構化的碰撞知識庫，並訓練了一個輕量級的碰撞專家模型（Collision Expert），用於推斷目標碰撞模式、唯一的主對抗車輛、支持車輛及其交互角色。基於這些語義先驗，多車對抗生成被建模為一個主從過程：主對抗車輛引發主要衝突，而支持車輛塑造周圍的風險結構，但不會成為額外的碰撞者。為了確保生成樣本的可執行性，框架引入了規則、物理、交互安全和單碰撞器約束作為硬門控機制，過濾掉不可執行的樣本。此外，針對自車的反應性行為，框架利用規劃器-控制器的反饋進行故障診斷、候選重排序和終端細化，形成閉環優化。
研究團隊在MetaDrive平台上重構了Waymo Open Motion Dataset（WOMD）的場景進行實驗。結果顯示，KG-ASG在IDM、Cruise和Expert三種控制器下均表現出強大的對抗有效性，同時顯著提高了有效主攻擊（Valid Primary Attack）的比率，減少了多車碰撞事件，並在閉環恢復能力上獲得增益。這些成果證明了碰撞知識引導和主從單碰撞器推理能夠有效提升自動駕駛安全驗證中對抗樣本的有效性、可解釋性和可執行性。該工作為自動駕駛系統的高效安全測試提供了新的方法論支持，有望推動行業標準向更嚴謹的驗證流程發展。