arXiv 2026年10月6日该研究把生成场景的极端程度定义为给定观测历史后未来风险条件分布中的百分位，学习一个参考风险分布将请求百分位映射为物理风险目标，并用百分位条件联合扩散模型配合采样期风险引导生成多智能体未来；在highD上以自车与周边车辆的最小后侵入时间（PET）为风险代理，主评测集1440次请求中1422次（98.75%）落在0.05百分位容差内，平均百分位误差0.00673、PET目标误差0.00991秒。该研究把生成场景的极端程度定义为给定观测历史后未来风险条件分布中的百分位，学习一个参考风险分布将请求百分位映射为物理风险目标，并用百分位条件联合扩散模型配合采样期风险引导生成多智能体未来；在highD上以自车与周边车辆的最小后侵入时间（PET）为风险代理，主评测集1440次请求中1422次（98.75%）落在0.05百分位容差内，平均百分位误差0.00673、PET目标误差0.00991秒。以历史条件风险百分位为生成请求：新方法在highD上实现1440次请求中的1422次（98.75%）该研究把生成场景的极端程度定义为给定观测历史后未来风险条件分布中的百分位，学习一个参考风险分布将请求百分位映射为物理风险目标，并用百分位条件联合扩散模型配合采样期风险引导生成多智能体未来；在highD上以自车与周边车辆的最小后侵入时间（PET）为风险代理，主评测集1440次请求中1422次（98.75%）落在0.05百分位容差内，平均百分位误差0.00673、PET目标误差0.00991秒。该研究把生成场景的极端程度定义为给定观测历史后未来风险条件分布中的百分位，学习一个参考风险分布将请求百分位映射为物理风险目标，并用百分位条件联合扩散模型配合采样期风险引导生成多智能体未来；在highD上以自车与周边车辆的最小后侵入时间（PET）为风险代理，主评测集1440次请求中1422次（98.75%）落在0.05百分位容差内，平均百分位误差0.00673、PET目标误差0.00991秒。