# 自动驾驶车辆安全评估

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。

作者提出 CrashSim，一个以真实事故先验引导生成式多智能体交通仿真的碰撞场景生成框架：它用视觉语言模型理解自然驾驶场景、以分层检索从真实事故数据库中匹配事故先验，并把先验的相对运动模式与行为阶段时序转成锚点引导，驱动在 nuScenes 上预训练的扩散生成器产生安全关键交互；结果显示 CrashSim 比 Strive 和 LD-scene 更贴近真实事故的碰撞前行为、碰撞动力学、碰撞几何与事故类型分布，并据此构建了包含 4000 多个碰撞与近碰撞场景的 nuCrash 数据集，五种规划器在其上的闭环表现差异明显大于 nuScenes，LLM 评估智能体还能给出能力层面的诊断与改进建议。

作者提出 CrashSim，一个以真实事故先验引导生成式多智能体交通仿真的碰撞场景生成框架：它用视觉语言模型理解自然驾驶场景、以分层检索从真实事故数据库中匹配事故先验，并把先验的相对运动模式与行为阶段时序转成锚点引导，驱动在 nuScenes 上预训练的扩散生成器产生安全关键交互；结果显示 CrashSim 比 Strive 和 LD-scene 更贴近真实事故的碰撞前行为、碰撞动力学、碰撞几何与事故类型分布，并据此构建了包含 4000 多个碰撞与近碰撞场景的 nuCrash 数据集，五种规划器在其上的闭环表现差异明显大于 nuScenes，LLM 评估智能体还能给出能力层面的诊断与改进建议。