AI 是否可以生成更全面的测试场景？——自动驾驶系统测试场景生成方法综述

确保自动驾驶系统(ADS)的安全与可靠性仍然是一个关键挑战，传统方法如大规模实地测试成本高昂且耗时。为此，场景基测试已作为一种可扩展且高效的替代方案，但现有综述仅涵盖了近期方法ological 和技术进展的部分内容。本综述系统分析了 31 项原始研究，以及通过 2015~2025 年全面检索识别的 10 项综述；然而，深入的方法学综合和比较评估主要集中在近期框架(2023~2025)，反映出人工智能(AI)辅助和多模态方法在此期间的激增。传统方法依赖专家知识、本体论和自然驾驶或事故数据，而近期发展则利用生成模型，包括大型语言模型、生成对抗网络、扩散模型和强化学习框架，用于综合多样且安全关键场景。我们的综述识别了三个持续存在的缺口：缺乏标准化评估指标、对伦理和人类因素的集成不足、以及对多模态和运营设计域(ODD)特定场景的覆盖不充分。为解决这些挑战，本综述贡献了一个包含多模态扩展的细化分类框架、负责任场景设计的伦理与安全检查清单，以及一个 ODD 覆盖图和场景难度模式图，以实现透明的基准测试。总体而言，这些贡献为研究人员提供了方法论清晰度，为行业提供了实用指导，支持可重复评估，加速更高级别 ADS 的安全部署。