自動運転車（AV）は、シミュレーション環境での広範なテストを必要とするが、運転シナリオのテストケース生成は非常に手間のかかる作業である。望ましいシナリオはしばしば分布外（out-of-distribution）であり、テスト対象のAVポリシーとの相互作用に正確な要件がある。手動でのシナリオプログラミングは正確な制御を可能にするが、スケーリングが困難である。一方、統計モデルは計算とデータを活用できるが、分布外では正確な制御が難しい。
この課題に対し、Frieda Rongら研究者たちは革新的なアプローチを提案した：シナリオオーケストレーションを制約充足問題として捉えることである。彼らは、言語入力・シミュレーション出力のシナリオオーケストレーターを開発し、AVの閉ループテスト（closed-loop testing）に用いる。このオーケストレーターの核心は、基盤モデル（foundation model）の推論能力を活用して、一般的な自然言語記述（例：「前車が急ブレーキをかけ、後続車が緊急車線変更を行う」）を一連の形式的制約に変換し、シナリオ表現とすることである。その後、既製の制約ソルバー（SMTソルバーや最適化ソルバーなど）を用いて、これらの制約を満たすアクター行動（他車の軌跡など）を解き、テスト意図に正確に一致するシミュレーションシナリオを生成する。
研究チームは、慎重に設計された多様なシナリオ記述のベンチマークで手法を評価した。ベンチマークには、車両の割り込み、歩行者の横断、信号変化などの複雑な運転状況が含まれる。実験結果では、オーケストレーション成功率において、ベースライン手法（ルールベースや純統計モデルなど）を大幅に上回った。さらに、閉ループアプローチが自己反応仕様（ego-reactive）を必要とするシナリオで特に重要であることが示された。ego-reactiveとは、シナリオ内の他の参加者の行動がAV（自車）のリアルタイム反応に応じて調整される必要があることを意味し、AVの相互作用能力をテストする。閉ループ手法はこの動的相互作用を実現できるが、開ループ手法では不可能である。
本論文はICRA 2026（IEEE国際ロボット工学・オートメーション会議）でポスター発表として採択され、全19ページ、10図を含む。また、提出履歴、主題分類（ロボティクスcs.ROおよびソフトウェア工学cs.SE）、引用形式などの詳細情報も提供されている。この研究は、基盤モデルと制約解決の組み合わせにより、自然言語から高忠実度シミュレーションシナリオへの効率的かつ正確なオーケストレーションを実証し、自動運転テストのための新たな強力なツールを提供する。