自动驾驶测试车既要像真的,又要会找麻烦:E2E-CDiff 直接生成可执行控制

自动驾驶测试想制造一次危险并不难，难的是让周围车辆既会主动逼近，又不能像失控模型一样乱打方向。太安全，测不出问题；太激进，场景又失去真实性。

E2E-CDiff 用条件扩散同时生成背景车辆的未来状态和可执行控制，既能约束速度与道路边界，也能主动生成避碰或寻碰行为，在 Bench2Drive 中测试多种自动驾驶系统。

▍闭环交通场景为什么不能只生成轨迹

在开放环数据里，一条背景车轨迹只要看上去合理就可以作为样本。但闭环测试里，自车会根据背景车实时反应，背景车也必须真的执行自己的动作。若生成器只给出理想轨迹，后续 PID 或低层控制器可能跟不上急转、急刹和复杂交互，原本设计的风险就会在执行阶段被稀释或扭曲。

E2E-CDiff 的核心选择，是把“未来在哪里”和“怎样到那里”一起生成。扩散过程同时去噪车辆状态和低层控制，让生成的背景行为从一开始就带有可执行性。对自动驾驶测试而言，这比单纯让车辆沿一条漂亮曲线移动更接近真实对手。

▍先规划轨迹再交给 PID，问题在哪里？

两阶段方法先生成看起来合理的轨迹，再由控制器转成油门和转向。急切入、近距离博弈中，控制器未必能准确追上轨迹，最终场景与原先想制造的风险不一致。

E2E-CDiff 在扩散过程中联合去噪状态与动作，直接输出背景车辆可执行的控制序列。

▍三类条件分别在约束什么

论文在扩散引导里加入速度限制、可行驶区域和碰撞目标。速度限制避免背景车出现不合理的突变；道路约束减少车辆穿墙、压出车道等视觉上显眼的失真；碰撞目标则决定它是主动避让，还是在安全关键测试中寻找可能与自车冲突的路径。

这三者需要同时存在。只追求碰撞很容易得到不可解释的攻击式车辆；只追求自然性又会让系统一直生成平淡交通。E2E-CDiff 的定位是把“自然”和“有压力”变成可调节的连续目标，而非二选一。

▍既要像真实车辆，也要能主动施压

普通模式鼓励车辆遵守道路并避免碰撞；安全关键模式把引导方向改成寻碰，让背景车辆在仍受动力学和道路约束的情况下制造困难交互。

▍CPK 指标怎样读

论文使用每公里碰撞次数 CPK 评估压力强度。寻碰引导下，PDM-Lite、PlanT、VAD 和 UniAD 的 CPK 都上升。以 VAD 为例，从 5.21 到 24.18，说明同样长度的测试路程里，生成器更容易让该系统暴露到冲突交互。

这并不能解释为某个自动驾驶系统在现实道路上“事故更多”。测试场景本来就在定向寻找系统薄弱点，CPK 反映的是测试器施压能力。正确的使用方式是把它和路线完成率、驾驶分数、碰撞类型、触发条件一起分析，再把发现的问题用于回归测试。

在 PDM-Lite、PlanT、VAD 和 UniAD 四种系统上，寻碰版本都提高了每公里碰撞次数。例如面对 VAD，CPK 从 5.21 升到 24.18。

▍生成器本身也要接受测试

一个危险场景生成器可能学会反复利用同一种行为漏洞，例如总在某个路口从同一方向切入。这样虽然 CPK 很高，却不能覆盖真实长尾风险。后续工作需要检查场景多样性、跨地图迁移、不同天气和不同传感器条件，并验证生成的控制在高保真仿真甚至真实车辆上是否仍然可执行。

E2E-CDiff 的价值因此不是“制造更多事故”，而是把场景生成推进到可执行的交通交互层。只有背景车真的能按策略行驶，自动驾驶系统面对的压力测试才更接近它在闭环世界里会遇到的问题。

▍更多碰撞不等于更好的测试

实验基于 Bench2Drive 和 CARLA，碰撞引导产生的是仿真压力场景，并不能直接代表真实道路事故概率。生成器也可能反复利用某类系统弱点，造成测试分布偏置。

E2E-CDiff 更值得关注的地方，是把自动驾驶场景生成从“画出一条危险轨迹”推进到“生成一辆真的会按这条策略行动的背景车”。

▍对测试闭环的实际用法

更合理的流程不是让生成器无限追求碰撞数，而是把生成的场景分层归档：哪些是道路边界问题，哪些是速度博弈问题，哪些是切入时机问题；随后用修复后的规划器重新回放同一组条件。只有当问题能被复现、修复并在回归中消失，场景生成才真正进入自动驾驶研发链条，而不只是一次演示。

对读者来说，最该关注的是生成器有没有保留对手车辆的合理性。背景车要有明确目标、受道路和动力学限制，并能在自车反应后继续互动。只有这些条件同时成立，危险场景才不是一次性动画，而是可用于系统验证的闭环样本。