危险场景太少?这篇让扩散模型给自动驾驶造“闭环考题”

关注我，帮你了解自动驾驶最新动态！

自动驾驶最难测的，往往不是每天都能碰到的正常车流，而是那些真实道路里很少出现、但一旦出现就可能决定安全边界的长尾场景。

：Proposal-Conditioned Latent Diffusion for Closed-Loop Traffic Scenario Generation。它研究的不是让模型“画一段车流动画”，而是在闭环仿真里生成既有挑战性、又仍然合理的多车交互。

问题不是“能不能造车流”，而是能不能造有用的车流

如果只追求真实感，模型会复现普通驾驶分布，危险场景仍然稀少；如果只追求碰撞或近失误，又容易生成不合理轨迹，比如车辆突然越界或违反运动学约束。

这篇论文的目标，就是在这两者之间做平衡：让生成场景既能挑战自动驾驶系统，又不要脱离真实交通逻辑。

方法的关键：扩散模型别从纯噪声乱猜

普通扩散生成通常从噪声开始一步步去噪。但在闭环交通仿真里，每次重规划都要快速生成多车未来轨迹，完全从噪声开始会带来速度和稳定性的压力。

论文因此先用 instance-centric scene context 和 multi-modal proposal priors 给模型一个更靠谱的起点，再由 joint Transformer denoiser 生成多智能体动作 latent。

论文里的关键公式，其实在回答一个问题

这个问题是：扩散模型一开始到底从哪里采样？论文不是从标准高斯噪声硬起步，而是用 proposal 的均值和尺度把初始 latent 推到更合理的区域。

这里的 μ 可以理解为 proposal 模型给出的“可能轨迹中心”，σ 表示这些 proposal 的不确定性，ε 是标准噪声。这样做的意义是：模型仍然保留随机性，但随机性被限制在更像真实交通的区域里。

结果一：它不是只会制造危险，基础指标也更稳

论文在 Waymo Open Motion Dataset 上做闭环评估。相比 IDM 规则基线和 SIMPL-AR，本文方法在碰撞率和 off-road rate 上都有更低数值。

结果二：闭环仿真里，快也很重要

自动驾驶仿真不是离线生成一堆轨迹就结束。闭环系统会反复观察、重规划、执行，再进入下一轮。因此每一步生成速度会直接影响能不能用于大规模测试。

最有用的部分：guidance 让场景可以被定向编辑

论文还加入 inference-time guidance。直观说，就是不重新训练模型，也能在生成时加一些目标：比如更强调不越界、更强调碰撞规避，或者构造博弈式的追逐—躲避交互。

但它还不是最终答案

论文也明确留下了后续工作：还需要按官方 Waymo Open Sim Agents Challenge 协议报告指标，进一步研究闭环损失，并探索语言条件控制。

所以这篇更适合把它看成一个方向信号：自动驾驶场景生成正在从“像不像真实道路”走向“能不能稳定生成可控的安全考题”。

最后想问

如果自动驾驶测试可以定向生成危险场景，你更关心它生成路口冲突、变道加塞，还是行人/非机动车突然介入？

如果你想持续看具身智能和自动驾驶论文的可读版拆解，可以关注本号。

▍往期精选