自動駕駛汽車（AV）需要在模擬環境中進行大量測試，以確保其在各種複雜和邊角情況下的安全性和可靠性。然而，生成這些駕駛場景的測試用例是一項極為繁瑣的工作。理想的測試場景往往屬於分佈外（out-of-distribution），即與訓練資料分佈不同，並且對與待測AV策略的互動有精確要求。手動程式設計場景雖然提供了精確的可控性，但難以規模化，無法覆蓋足夠多的場景。另一方面，統計模型（如生成模型）可以利用大量計算和資料，但在處理分佈外場景時，精確可控性不足。
針對這一難題，來自Frieda Rong及其同事的研究者們提出了一種創新的方法：將場景編排視為一個約束求解（constraint-solving）問題。他們開發了一個語言輸入、模擬輸出的場景編排器，用於閉環測試（closed-loop testing）AV。該編排器的核心思想是利用基礎模型（foundation model）的推理能力，將通用的自然語言描述（例如“前車突然剎車，後車需要緊急變道”）轉化為一組形式化約束，作為場景的表示。然後，利用現成的約束求解器（如SMT求解器或最佳化求解器）求解出滿足這些約束的參與者行為（如其他車輛的運動軌跡），從而生成精確匹配測試意圖的模擬場景。
研究團隊在一個精心設計且多樣化的場景描述基準測試上評估了他們的方法。基準包含了各種複雜的駕駛情景，如車輛切入、行人橫穿、交通燈變化等。實驗結果顯示，他們的方法在編排成功率上大幅超越了基線方法（例如基於規則的方法和純統計模型）。更重要的是，研究表明閉環方法對於需要自我反應規範（ego-reactive）的場景尤為重要。所謂ego-reactive，是指場景中其他參與者的行為需要根據AV（自車）的即時反應進行調整，從而測試AV的互動能力。閉環方法能夠實現這種動態互動，而開環方法則無法做到。
該論文已被ICRA 2026（IEEE國際機器人與自動化大會）接收為海報展示，全文共19頁，包含10張圖表。論文還提供了詳細的提交資訊、主題分類（機器人學cs.RO和軟體工程cs.SE）以及引用格式。這項工作展示瞭如何透過結合基礎模型和約束求解，實現從自然語言到高保真模擬場景的高效、精確編排，為自動駕駛測試提供了一種新的強大工具。