FREA：基于可行性引导的安全关键情境生成方法

生成安全关键情境对于评估自动驾驶车辆（AV）的鲁棒性至关重要且技术难度大。现有方法侧重于在保持自然性的前提下优化对抗性，以数据驱动方式实现二者的平衡。然而，缺乏对对抗性的合适上界，可能导致生成的情境具有过度的对抗性，从而引发不可避免的碰撞。本文引入FREA（Feasibility-Guided Generation of safety-Critical Scenarios with Reasonable Adversariality），一种新型的安全关键情境生成方法，利用自动驾驶车辆的最大可行区域（LFR）作为指导，确保情境的合理性。具体而言，FREA首先从离线数据集中预计算AV的LFR。随后，它学习一种合理的对抗策略，通过最大化一种新型的可行性相关的对抗目标函数，控制场景中的关键背景车辆（CBVs）以生成符合AV可行性要求的对抗情境。广泛的实验表明，FREA能够有效生成安全关键情境，产生大量近失事事件，同时确保AV的可行性。泛化分析也确认了FREA在各种替代AV方法和交通环境下的鲁棒性。