基于扩展 Scenic DSL 的 LLM 驱动场景生成管道：用于自动驾驶安全验证
软件工程
2026-02-25 v1
摘要
现实世界的 crash 报告将文本摘要和草图相结合，对于基于场景的自动驾驶系统（ADS）测试具有重要价值。然而，现有方法无法有效地将此多模态数据转化为精确、可执行的仿真场景，从而阻碍了 ADS 安全验证的可扩展性。本文提出了一个可扩展且可验证的管道，利用大语言模型（GPT-4o mini）和概率中间表示（扩展 Scenic 领域特定语言）自动从 crash 报报中提取语义场景配置，并生成相应的仿真就绪场景。不同于 ScenicNL 和 LCTGen（直接从文本生成场景）或 TARGET（使用交通规则的确定性映射生成场景）的早期方法，我们的方法引入了中间 Scenic DSL 层，将高层语义理解与低层场景渲染分离，减少错误并捕捉真实世界的变异性。我们在 NHTSA CIREN 数据库的案例上对管道进行了评估。结果显示，在知识提取方面表现卓越：环境和道路网络属性的正确性为 100%，oracle 和 actor 轨迹分别为 97% 和 98%。我们在 CARLA 仿真器中使用 Autoware 驾驶堆栈执行生成的场景，它们在 2000 个场景变体中持续触发旨在的交通规则违规（如逆向车道穿越和红灯冲撞）。这些发现表明，所提出的管道提供了一种在法律上有依据、可扩展且可验证的 ADS 安全验证方法。
关键词
引用
@article{arxiv.2602.20644,
title = {An LLM-driven Scenario Generation Pipeline Using an Extended Scenic DSL for Autonomous Driving Safety Validation},
author = {Fida Khandaker Safa and Yupeng Jiang and Xi Zheng},
journal= {arXiv preprint arXiv:2602.20644},
year = {2026}
}