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%）
相关研究与后续进展
核心概要
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。
(a) Existing interfaces use tokens, language prompts, or constraints and leave adversity percentiles unquantified.
arXiv深度剖析
提出以“历史条件风险百分位”作为生成请求的接口，使同一数值请求在不同交通情境下具有统一的相对含义。 既有生成器可施加行为、对抗性或可行性条件，但难以控制生成结果相对于同一交通情境下合理未来的极端程度；本文把请求定义为自然未来风险条件分布中的一个位置。 文中报告在PET为1秒处，3–5辆车历史的经验CDF为0.319，而至少9辆车历史为0.609，说明同一物理阈值在不同情境下对应不同逆境程度。
学习参考风险分布把百分位请求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实现该目标。 参考分布以CRPS训练，采用时间–关系编码与按PET区间查询的读出；生成器在去噪器中接收请求、物理目标与CDF描述子，并在采样最后15个DDIM步内通过占用几何更新把最小PET推向目标。 主评测集1440次请求中1422次（98.75%）落在0.05容差内，P-MAE 0.00673、PET目标MAE 0.00991秒；连续目标请求98.65%达成，111个点质量目标请求全部精确匹配。
消融显示采样期风险引导是精细精度的主要来源，学习到的条件通路提供额外增益。 仅引导达到95.07%，仅条件为24.79%，两者都去掉为16.18%；条件叠加引导把Fine再提高3.68个百分点并把P-MAE从0.01469降到0.00673。 同一训练权重、参考、历史与噪声抽样下的对照实验，并报告了按历史汇总的物理结果无法区分配置、而按百分位可区分。
接口可迁移到跟车场景的时间到碰撞（TTC）代理，且更高请求对IDM与MOBIL规划器构成更难场景。 TTC引导在未重训主生成器的情况下达成98.61%请求（无引导为17.22%）；在最高请求下规划器硬刹车达12.85%，后向TET升至0.578秒。 TTC参考在跟车片段上把无条件分布CRPS从1.21秒降到0.52秒；规划器测试中请求与遭遇百分位的中位Spearman相关为0.74。
启示与展望
该接口面向高速公路多车场景，实验全程使用highD自然轨迹，参考与生成器在9,913个完整训练片段上拟合，主评测集为16个测试录像的11,649个片段。它适用于需要按情境相对逆境程度组织测试的场景库：请求百分位在生成前即确定物理目标，因此同时要求物理严重度（如PET低于1秒）的测试可先筛选目标可达的历史。对希望迁移到其他代理或场景的研究者，需要为该代理估计历史条件自然分布并实现其逆CDF目标的实现机制；文中指出PET与TTC两种实例化，并提到匝道合流、城市交叉口冲突等可作为后续场景。
百分位的准确性取决于定义它的参考分布，文中因此把参考预测质量与请求实现分开报告；参考在留一录像标签下训练，全量参考与留一参考对同一历史的估计可能不同。每个模型只训练一次，所报区间描述的是单一训练模型在历史与录像间的变异。规划器测试中周边车辆重放生成未来而不反应，因此场景固定而规划器响应。参考编码器之间的比较显示绝对历史编码器在CRPS上略优，说明参考实现仍有选择空间。若读者只看到快速解析而缺少图表，参考校准的尾部诊断与外部先验的同历史可视化细节需要回到原文核对。