自动驾驶测试不再照本宣科：场景编排器实时改写对手车辆，六类场景族均完整实现预设交互
核心概要
自动驾驶策略在闭环仿真中会自行反应，预先写死路线的场景脚本常因此偏离原本要制造的交互，即闭环漂移。场景编排器持续监测整体交通状态，通过重定时、重路由和角色重指派联合调整非自车车辆，每一步求解一个带约束的优化问题，在限制干预、保持交通可行的前提下维持测试意图。在CARLA仿真器的六类场景族与六种自车策略上，该方法在全部六类场景族中完整实现预设交互，而ProSim、LASER与OSC2Runner等基线大多只满足最容易的前两个场景。
深度剖析
测试场景不再在运行前被完全写死，而是由编排器在仿真过程中持续调整非自车车辆，使预设的交互意图在自车策略实时反应下仍能出现。 此前的脚本执行把场景定义在运行期固定，意图是开环的；数据驱动的学习型车辆虽然自身会反应，却偏向常态分布行为，难以稳定制造特定的安全关键交互。 在CARLA中，六类场景族与六种自车策略组成144个评估单元，编排方法在全部六类场景族上完整满足三个场景，而ProSim、LASER与OSC2Runner等基线大多只满足最容易的前两个场景。
编排器把场景看成一组高层指令，每一步检查这些指令是否仍成立，不成立就介入调整车辆行为。 介入手段有三种：重定时调整车辆速度以匹配自车在冲突点的预测占用窗口，重路由在车辆不在转弯中途时重建其剩余动作序列，角色重指派则在新的意图承担者干预代价更低时更换主角车辆。 这些判断由四条指令给出，分别检查是否有车辆在预测时域内与自车相撞、主角车辆是否仍能到达冲突点、第三方车辆是否提前阻挡或碰撞、以及背景车辆之间是否互相碰撞；指令在每个时间步重新评估。
启示与展望
演示范围限于CARLA仿真器中的六类场景族与六种自车策略，场景意图由人工配置的车道、自车路线与可用动作确定；作者把数据驱动车辆模型与现有目标、约束的结合列为后续工作。
作者指出当前设计依赖人工指定的交通行为，例如按执行意图动作的可能性对车辆排序，这在场景变得更复杂、更开放时难以扩展；仿真中的游戏树目前只是顺序节点链，分支搜索留待未来。