编辑推荐：
自动驾驶（AVs）安全测试面临挑战，如真实驾驶数据（NDD）中碰撞数据少，难以生成高风险场景。研究人员提出 DiffCrash 方法，用去噪扩散概率模型（DDPMs）扩展碰撞数据生成场景。结果显示其生成场景可用性高、更真实、风险水平合理且多样，有助于提升 AVs 安全性。
在科技飞速发展的当下，自动驾驶汽车（AVs）正逐渐走进人们的生活，它宛如一位不知疲倦且反应敏捷的 “超级司机”，承诺着改善道路安全、缓解交通拥堵，为人们的出行带来前所未有的便利。然而，这位 “超级司机” 也并非十全十美。现实世界的道路环境复杂多变，就像一个充满各种隐藏陷阱的迷宫，机械故障、软件漏洞随时可能出现，不可预测的风险更是如影随形。哪怕是极其微小的失误，都可能引发严重的交通事故，这让人们对自动驾驶汽车的安全性充满担忧。
目前，自动驾驶汽车的安全测试面临着诸多难题。一方面，真实世界测试虽然最贴近实际情况，但成本高昂、耗时久，而且很难遇到那些极其罕见却又至关重要的危险场景，就好比大海捞针，想要全面检验自动驾驶汽车的安全性几乎是不可能完成的任务。另一方面，模拟测试环境虽然能够提供一种可扩展的替代方案，但其测试效果很大程度上依赖于生成场景的质量和真实度。自然主义驾驶数据（NDD）中，像碰撞这类对安全测试至关重要的事件非常罕见，这使得训练和评估自动驾驶系统变得困难重重。手动创建大量高风险场景又不现实，因此，迫切需要一种自动化的方法，来生成大量既真实又能检验安全性的场景。
为了解决这些棘手的问题，中南大学的研究人员展开了深入研究。他们提出了一种名为 DiffCrash 的全新方法，该方法巧妙地利用去噪扩散概率模型（DDPMs），从真实世界的碰撞数据出发，致力于生成高风险的测试场景，以此来评估知名自动驾驶系统百度 Apollo 的性能。研究结果令人振奋，DiffCrash 生成的测试场景不仅可用性更高，与真实世界事故场景的相似度也远超另外两种基线方法，而且生成场景的风险水平与真实碰撞数据相当，同时在多样性方面也有显著提升。这一研究成果意义重大，它不仅增强了自动驾驶汽车测试的全面性，还能帮助发现潜在的安全隐患，从而提升自动驾驶系统的整体安全性，为自动驾驶汽车更安全地行驶在道路上提供了有力支持。该研究成果发表在《Expert Systems with Applications》上。
在研究过程中，研究人员主要运用了以下关键技术方法：一是采用了去噪扩散概率模型（DDPMs），这是一种先进的深度生成模型，通过逐步添加噪声破坏数据，再学习逆向过程来生成样本；二是使用了中国深度移动安全研究 - 交通事故（CIMSS-TA）数据集，其中包含约 700 个来自湖南不同城市和郊区环境的真实碰撞场景，为模型训练提供了丰富的数据支持；三是采用了反事实模拟方法进行仿真测试，以此来评估 DiffCrash 生成场景的效果。
数据收集和处理
研究使用 CIMSS-TA 的碰撞数据，这些数据来自湖南不同城市和郊区环境，约 700 个真实碰撞场景。每个场景都包含丰富信息，如详细的碰撞现场视频、航拍照片以及全面的警方调查报告，能深入分析碰撞动态。通过视频分析和 PC-Crash 软件，可对碰撞场景进行典型重建，为后续研究提供了坚实的数据基础。
实验结果
DiffCrash 模型在高性能计算环境中训练，硬件配置为 NVIDIA GeForce RTX 4060 Ti GPU、AMD EPYC 7642 48 核处理器（64 个逻辑 CPU，运行频率 2.3GHz）以及 512GB 内存，基于 PyTorch 实现。仿真测试采用反事实模拟方法，在运行 Ubuntu 18.04 的系统上进行，配备 NVIDIA GeForce RTX 2080 Ti GPU 和八核 Intel Core i9 - 9900K 处理器。实验结果表明，DiffCrash 在生成高风险测试场景方面表现出色，生成的场景在轨迹可用性、与原始数据的相似度等方面优于两种基线方法，且能有效保留碰撞相关的动态特征，如近距离错过的交互、极端减速和不同的碰撞严重程度，同时扩大了危险分布范围。
研究结论和讨论
研究将 DDPMs 引入自动驾驶高风险测试场景生成领域，通过结合趋势分解技术和去噪扩散模型，DiffCrash 有效地从真实世界碰撞前轨迹中提取有意义的特征，成功扩展了高风险测试场景的范围。经过两组实验验证，DiffCrash 相较于两种基线方法，在生成场景的可用性、与真实场景的相似度以及风险水平等方面都展现出明显优势。这一研究成果为自动驾驶汽车的安全测试提供了新的有效途径，有助于更全面地评估自动驾驶系统的安全性，发现潜在问题并加以改进，推动自动驾驶技术朝着更安全可靠的方向发展，对自动驾驶行业的发展具有重要的理论和实践指导意义。
