SaFeR：基于可行性约束的标记抽样用于自动驾驶安全关键场景生成
机器人学
2026-03-05 v1 人工智能
摘要
安全关键场景生成对于评估自动驾驶系统至关重要。然而，现有方法常常难以平衡三个相互冲突的目标：对抗性关键性、物理可行性和行为真实性。为弥合这一鸿沟，我们提出SaFeR：通过可行性约束的标记抽样实现自动驾驶安全关键场景生成。我们首先将交通生成建模为离散的下一个标记预测问题，采用基于Transformer的模型作为真实性先验，以捕获自然驾驶分布。为捕捉复杂互动并有效缓解注意力噪声，我们提出了一种新型的差分注意力机制用于真实性先验。基于该先验，SaFeR实现一种新颖的抽样策略，在高概率的可信区域内诱导对抗性行为以维持自然性，同时施加源自最大可行区域（LFR）的可行性约束。通过离线强化学习近似LFR，SaFeR有效防止了不可避免的碰撞生成。在Waymo开放运动数据集和nuPlan上的闭环实验表明，SaFeR显著优于最先进的基线方法，实现更高的解决方案率和更优的运动学真实性，同时保持强大的对抗性有效性。
引用
@article{arxiv.2603.04071,
title = {SaFeR: Safety-Critical Scenario Generation for Autonomous Driving Test via Feasibility-Constrained Token Resampling},
author = {Jinlong Cui and Fenghua Liang and Guo Yang and Chengcheng Tang and Jianxun Cui},
journal= {arXiv preprint arXiv:2603.04071},
year = {2026}
}