自动驾驶汽车（AV）需要在仿真环境中进行大量测试，以确保其在各种复杂和边角情况下的安全性和可靠性。然而，生成这些驾驶场景的测试用例是一项极为繁琐的工作。理想的测试场景往往属于分布外（out-of-distribution），即与训练数据分布不同，并且对与待测AV策略的交互有精确要求。手动编程场景虽然提供了精确的可控性，但难以规模化，无法覆盖足够多的场景。另一方面，统计模型（如生成模型）可以利用大量计算和数据，但在处理分布外场景时，精确可控性不足。
针对这一难题，来自Frieda Rong及其同事的研究者们提出了一种创新的方法：将场景编排视为一个约束求解（constraint-solving）问题。他们开发了一个语言输入、仿真输出的场景编排器，用于闭环测试（closed-loop testing）AV。该编排器的核心思想是利用基础模型（foundation model）的推理能力，将通用的自然语言描述（例如“前车突然刹车，后车需要紧急变道”）转化为一组形式化约束，作为场景的表示。然后，利用现成的约束求解器（如SMT求解器或优化求解器）求解出满足这些约束的参与者行为（如其他车辆的运动轨迹），从而生成精确匹配测试意图的仿真场景。
研究团队在一个精心设计且多样化的场景描述基准测试上评估了他们的方法。基准包含了各种复杂的驾驶情景，如车辆切入、行人横穿、交通灯变化等。实验结果显示，他们的方法在编排成功率上大幅超越了基线方法（例如基于规则的方法和纯统计模型）。更重要的是，研究表明闭环方法对于需要自我反应规范（ego-reactive）的场景尤为重要。所谓ego-reactive，是指场景中其他参与者的行为需要根据AV（自车）的实时反应进行调整，从而测试AV的交互能力。闭环方法能够实现这种动态交互，而开环方法则无法做到。
该论文已被ICRA 2026（IEEE国际机器人与自动化大会）接收为海报展示，全文共19页，包含10张图表。论文还提供了详细的提交信息、主题分类（机器人学cs.RO和软件工程cs.SE）以及引用格式。这项工作展示了如何通过结合基础模型和约束求解，实现从自然语言到高保真仿真场景的高效、精确编排，为自动驾驶测试提供了一种新的强大工具。