技术摘要：ScenePilot

问题陈述

安全关键场景对于评估自动驾驶（AV）系统至关重要，但在自然驾驶日志中极为罕见，因此必须依赖基于仿真的压力测试。现有的场景生成方法通常将周围智能体视为旨在诱发碰撞的对手。然而，这些方法存在两个主要局限性：

1. 物理无效性：未显式建模车辆 - 道路物理极限的方法，往往会生成“视觉上极端”但物理上无法解决的碰撞（例如，需要无限减速度）。这些失败测试的是数值鲁棒性，而非揭示自动驾驶栈的真实缺陷。
2. 过度依赖单一约束：
   • 物理约束方法将智能体限制在物理可实现的行为范围内，但往往导致智能体坍缩至物理极限附近的极端边界试探动作，从而错过了那些物理上可解但仍会导致 AV 失败的更广泛交互区间。
   • 策略约束方法将生成导向特定控制器的能力边界。虽然这对诊断该特定栈具有可操作性，但它们将生成锚定在依赖于控制器的边界上，无法揭示 AV 运行距离环境基本物理极限有多近。

本文认为，最具信息量的区间是**“边界带”**：即原则上物理可解（存在可容许的动力学以避免碰撞）但由于自动驾驶栈的具体局限性仍导致其失效的场景。

方法论：ScenePilot

ScenePilot 是一个可行性引导、边界驱动的框架，旨在针对这一边界带。它将场景生成建模为使用强化学习（RL）的约束多目标马尔可夫决策过程（MDP）。

1. 双信号 formulation

该框架利用两个每步信号将物理可行性与 AV 策略能力解耦：

• 物理可行性分数（$\sigma$）：源自责任敏感安全（RSS）模型的物理极限变体。与包含保守反应时间的标准 RSS 不同，该变体基于最大可行减速度计算理论制动极限距离。
  • $\sigma \geq 0$：该帧物理可行（可通过可容许的制动/转向避免碰撞）。
  • $\sigma < 0$：该帧物理不可行（碰撞不可避免）。
  • 该分数聚合了纵向和横向裕度，考虑了车辆几何形状和碰撞时间（TTC），以确定正交机动是否能避免碰撞。
• AV 风险预测器（$\Phi$）：一个在线学习的轻量级评论家网络，用于估计自车的瞬时安全风险。它通过基于势能的奖励塑形进行训练，提供碰撞概率的稠密、可微信号，且独立于特定控制器的策略。

2. 约束多目标优化

目标是在保持物理可行性（$J_\sigma \geq \epsilon$）的同时最大化 AV 风险（$J_\phi$）。目标函数表述为：
$$\max_{\pi} J_\phi(\pi) \quad \text{s.t.} \quad J_\sigma(\pi) \geq \epsilon$$
其中 $\epsilon$ 是控制可行性阈值的控制变量。

3. 关键机制

• 步级可行性感知屏蔽：为防止策略漂移至物理不可行区域或忽略近边界违规，作者引入了屏蔽掩码。如果存在或即将发生可行性违规（$h_t > 0$），策略更新将优先于可行性优势（$A_\sigma$）；否则，它将针对风险进行优化（$A_\phi$）。这确保了智能体保持在边界附近，而不会坍缩成不可行的伪影。
• 可行性阈值扫描：系统采用高斯形状的 $\epsilon$ 调度，从物理极限附近开始并逐渐增加裕度。这使得智能体能够探索边界带的频谱，而不是坍缩到单一狭窄的极端动作集合上。

主要贡献

1. 边界带 formulation：一种新颖的 formulation，将物理可行性与 AV 策略能力解耦，明确针对交互在物理上可解但在策略上不可行的区间。
2. 约束对抗生成器：一个多目标 RL 框架，耦合了物理导出的分数（$\sigma$）和在线学习风险预测器（$\Phi$），利用步级屏蔽和阈值扫描将样本集中在近边界可行带内。
3. 实证验证：证明了 ScenePilot 生成的场景具有更高的碰撞率，同时保持了物理有效性，并且基于这些场景的对抗微调能一致地提高下游鲁棒性。

实验结果

实验在 CARLA 模拟器内的SafeBench基准上进行。

• 安全关键性：与最先进基线（包括 Learning-to-Collide、AdvSim、ChatScene 和 SCENGE）相比，ScenePilot 在八个基础交通场景中实现了最高的平均碰撞率（CR）0.893和最低的总体得分（OS）0.476。
• 可迁移性：生成的场景在异构 AV 栈中依然有效，包括 CARLA Autopilot、AIM-BEV、TransFuser、BehaviorAgent 以及各种深度 RL 控制器（SAC、PPO、TD3）。在 unprotected left-turn 场景中，ScenePilot 将平均 CR 从基线 KING 的 0.380 提升至0.490。
• 物理有效性：分析显示，与 ChatScene 相比，ScenePilot 产生的物理无效帧显著更少，证实了其失效并非依赖于物理上不可能行为。
• 下游效用：使用 ScenePilot 生成的场景对自车策略进行对抗微调，将下游碰撞率从预训练时的 0.854 降低至0.072，优于使用其他生成器场景的微调效果。
• 覆盖率：与基线相比，该方法覆盖了更广泛的“物理可行但 AV 不可行”间隙带（通过间隙覆盖率分数衡量），避免了坍缩到过于温和或极端的区间。

意义与主张

本文主张，ScenePilot 通过隔离能力差距——即源于当前自动驾驶栈局限性而非不可避免物理约束的失效——为自动驾驶提供了更严格的评估工具。通过聚焦“边界带”，该方法生成的场景具有以下特点：

• 信息丰富：它们揭示真正的算法弱点，而非数值边缘情况。
• 可操作：它们提供针对性的训练数据，提高部署系统的鲁棒性。
• 可泛化：它们在多样化的控制器架构中保持挑战性。

作者将这项工作定位为迈向系统性安全保证的一步，超越了简单的失效最大化，转而探索物理可能性与算法能力之间微妙的空间。