.png){kind=icon}
返回
TrafficDiff: diffusion model based adversarial traffic scenario controllable generation for autonomous driving robust evaluation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-025-01561-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着基础模型（FMs）在自动驾驶等安全关键领域的应用日益广泛，其处理罕见、模糊或对抗性条件的能力对于确保认知鲁棒性至关重要。生成式AI通过合成多样且真实的交通场景，为测试此类能力提供了有前景的途径。作为生成模型的一类杰出代表，扩散模型以其强大的多样性而闻名，但可控生成仍是一个关键挑战。为解决这一问题，我们提出了一种基于扩散模型的可控场景生成框架。首先，一种动态时空融合编码机制整合了上下文因素（如道路布局、车辆类型）以增强真实感。为提升多样性，我们引入了一种全局-局部优化器，在指导场景生成的同时保持物理和统计一致性。为生成安全关键的长尾场景，我们设计了一种对抗性诱导方法以增强场景的临界性，同时一个系统动力学模型改进了长尾场景的生成。最后，一种基于机制的场景过滤器通过剔除不合理的样本，确保生成场景的安全性和合规性。我们在基准数据集和实车测试中验证了该方法。与现有的SOTA方法相比，交通场景多样性平均提升了6至8倍。在实车评估中，TrafficDiff将碰撞率提高了25.5%，并导致大量任务失败，从而有效挑战了系统的鲁棒性。该方法为虚拟场景验证提供了一种可扩展的解决方案，推动了自动驾驶安全评估的进步。我们的TrafficDiff代码可在https://github.com/Moresweet/TrafficDiff获取。
Keyword:
Generative AI
Autonomous driving test
Conditional diffusion model
Scenario controllable generation
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
引用论文
.png){kind=icon}
An intrusion detection method combining variational auto-encoder and generative adversarial networks一种结合变分自编码器和生成对抗网络的入侵检测方法
PREAI
分享收藏
TrajGen: Generating Realistic and Diverse Trajectories With Reactive and Feasible Agent Behaviors for Autonomous DrivingTrajGen: 为自动驾驶生成具有反应性和可行性代理行为的现实和多样化轨迹
OAAI
OAAI分享收藏 没有更多内容
没有更多内容