《Systems》：Style2Risk: A Closed-Loop Testing System for Safety Evaluation of Automated Vehicles Under Style-Conditioned Adversarial Interactions
编辑推荐：
闭环安全评估要求交通智能体能够暴露规划器（planner）的弱点，同时不产生任意行为。现有对抗测试通常将行为生成、风险搜索和失败计数耦合在一起，限制了对交互创建方式以及重复事件是否构成新证据的控制。Style2Risk将交互风格作为显式控制接口。果断性（A
闭环安全评估要求交通智能体能够暴露规划器（planner）的弱点，同时不产生任意行为。现有对抗测试通常将行为生成、风险搜索和失败计数耦合在一起，限制了对交互创建方式以及重复事件是否构成新证据的控制。Style2Risk将交互风格作为显式控制接口。果断性（Assertiveness）和礼让性（Courtesy）对高斯行为先验（Gaussian Behavior Prior）进行条件化，而有界残差（bounded residual）则将受控参与者（controlled participant）引向被测试的规划器。协议筛选器（protocol screens）保留满足声明动作和轨迹约束的交互，风格–交互–事件存档（style–interaction–event archive）将发现广度与重复观察分离开来。研究人员在31,500次WOMD（Waymo Open Motion Dataset）–Waymax rollout中评估了7种配置和3种规划器。相对于严格无风格（strict no-style），Style2Risk将每500个场景规划器块的协议有效安全关键事件（protocol-valid safety-critical events）从110.0增加到258.0，并将已占用存档单元从28扩展到33。一个不调用生成先验的通用轨迹评估器报告联合位移误差（joint displacement error）降低1.343 m、交互一致性提高0.163、碰撞率降低0.037。一项独立的26场景实验从rollout前信息分配风格并评估在线存档引导。结果支持风格条件化控制作为目标化闭环测试和显式证据核算的实用机制。
**论文解读**
**一、研究背景与问题**
自动驾驶车辆（Automated Vehicle, AV）的安全验证面临一个根本性困境：安全关键交互在被动驾驶数据中极为稀疏，而仅靠扩大车队里程的数据驱动验证无法系统性地暴露规划器的薄弱环节。闭环安全评估通过将仿真器、受控交通行为、AV规划器、安全准则和失败分析整合为统一的测试回路来应对这一挑战。然而，现有对抗测试方法在行为生成、风险搜索和失败计数之间缺乏清晰的职责分离。离线扰动方法（如AdvSim、STRIVE、KING）在仿真执行前构造挑战性轨迹，但被扰动参与者无法根据规划器的响应动态调整自身行为。风险寻求型交通策略（如NADE、D
2RL、CAT）引入了闭环反应性，但由此产生的交互主要通过风险目标和可行性约束来控制，缺乏对不同协商风格进行直接操控的可解释接口。基于模仿学习的智能体能提供交通运动的先验来源，但本身并不为评估者提供测试不同交互风格的直接手段。因此，该领域需要一个既能改变参与者与AV的协商方式、又能保持有界机制以进行目标化规划器探测的可解释控制接口。
**二、研究内容与意义**
研究人员提出Style2Risk系统，将交互风格确立为闭环AV测试中的可控测试条件。该系统通过连续的果断性和礼让性指标来描述交互倾向，而非为驾驶员分配永久性身份标签，使其适合作为可控测试输入。Style2Risk的核心设计是将行为生成与面向规划器的探测分离开来：风格条件化的高斯行为先验负责提供受控参与者的基础delta位姿动作，有界残差则在显式信任域约束下对该动作进行有限修正。这种分解赋予每个组件明确的角色——先验控制行为模式（behavioral regime），残差提供面向规划器的挑战。此外，Style2Risk建立了风格–交互–事件存档机制，在记录协议有效安全关键事件之前施加声明动作和轨迹筛选，从而将发现广度与重复观察区分开来，使大量事件计数能够与已占用单元和重复集中度一同解读，而非自动被视为广泛的发现。该研究的意义在于为闭环AV安全测试提供了一个可解释、可追溯且可控的测试框架，使交互风格成为测试输入而非仅在仿真后应用的标签。
**三、关键技术与方法**
Style2Risk的技术架构包含四个核心组件。第一，连续交互风格指标：通过对数几率函数从两智能体轨迹中导出果断性和礼让性代理标签，风格编码器采用带注意力机制的两层关系序列编码器，从归一化轨迹序列中预测有界二维风格估计，在验证集上果断性预测的皮尔逊相关系数（Pearson correlation）达0.962，礼让性达0.743。第二，风格条件化行为先验：从18维对状态特征中通过多层感知机建模基础delta位姿动作，利用特征线性调制（Feature-wise Linear Modulation, FiLM）在隐藏层注入风格向量，输出为对角高斯分布，通过行为克隆在WOMD片段上训练。第三，有界残差动作：残差幅度通过因子链计算，包括风格因子、归因因子、覆盖因子和转移因子，残差方向融合了面向AV的单位向量和切向分量，rollout实现同时约束残差和合成动作。第四，风格–交互–事件存档：主存档为108单元网格，按风格、交互类型和事件类别索引，区分新插入事件与重复事件，并计算有效归一化失败发现率。评估采用31,500次rollout，涵盖500个选自WOMD v1.2.0验证集的场景、7种配置变体和3种固定规划器（logged-trajectory reference、reactive log-braking、cautious gap-braking）。
**四、研究结果**
（1）Style2Risk提升有效事件产出与存档广度。相对于严格无风格基线，Style2Risk将每500场景规划器块的平均协议有效安全关键事件从110.0提升至258.0，内部支持通过率从0.386上升至0.901，几何筛选通过率从0.951上升至0.987。有效归一化失败发现率（ENFDR）从0.056提高至0.066，存档联合集从28个已占用单元扩展至33个（占108单元活跃网格的30.6%），重复率从0.745上升至0.872——这表明系统既到达了新的存档区域，也持续重访了若干已暴露区域。仅使用风格条件化先验搭配均匀残差即可将平均有效事件提升至173.3，加入风格调制探测后达到251.0和32单元，归因和覆盖模块完成最终配置的258.0事件和33单元。
（2）通用轨迹评估器下的运动质量。在500个配对场景上，相对于严格无风格，Style2Risk的联合平均位移误差（ADE）降低1.343 m，联合速度平均绝对误差（MAE）降低1.464 m/s，交互一致性提高0.163，碰撞率降低0.037，通用评估器通过率提高0.587。碰撞率和Waymax离路诊断标志在两种方法下均为3/500次rollout。按实现后风格分配的存档显示，Style2Risk在早期rollout预算内即可更快发现存档区域。
（3）风格–交互存档覆盖与集中度。Style2Risk到达了严格无风格下不存在的5个形式化单元，将活跃网格覆盖率从25.9%提升至30.6%。10,000次场景自助法（bootstrap）给出5单元差异，95%百分位区间为[2, 8]。这5个单元跨越全部三个果断性水平、两个礼让性水平和五种交互类型（无保护交叉口、合流、车道变换竞争、跟随压力、让行/间隙接受），均携带严重近失（severe near miss）标签，且源自不同的源场景。实现轨迹特征的物理聚类和时空聚类分析进一步补充了分类存档的多样性描述。
（4）风格条件化交互控制的贡献。风格条件化先验和风格调制探测贡献了主要的性能跃迁。替换为风格条件化先验并保留均匀残差使有效事件从110.0升至173.3，而加入风格残差则产生了最大的相邻存档步骤（ENFDR提升0.008，联合集扩展4单元）。在50场景开发子集上，Style2Risk的ENFDR为0.527，风险仅残差为0.473。风格敏感性分析显示，基础动作和最终动作均值均表现出非零的风格输入敏感性。
（5）Rollout前风格分配与在线存档引导。在26个独立测试场景的验证中，所有312次rollout完成。风格条件化使实现果断性/礼让性从0.557/0.435变化至0.596/0.409，表明预设输入产生了可测量的交互行为变化。在线引导使已占用单元从12/135（8.89%）提升至13/135（9.63%），有效事件产出保持不变（每规划器14个），证明了覆盖感知的顺序测试可行性。
（6）敏感性与指标一致性。在保守、默认和宽松三种残差界限配置下，Style2Risk的ENFDR稳定维持在0.520、已占用26单元，内部支持通过率在0.940至0.960之间。果断性和礼让性指标分箱显示与轨迹衍生定义一致的单调趋势：果断性越高，速度维持越强、接受间隙越小；礼让性越高，让行间隙越大、减速度平滑性越好。
**五、讨论与结论**
Style2Risk在可选引导信号加入之前即获得了大部分测试能力，验证了"风格控制交互模式、有界残差将模式转化为对规划器的目标化压力"这一核心设计。通用轨迹评估器强化了这一解释——风格条件化以可预测的方式改变了控制器行为，同时在通用协议下保持了更强的运动质量。存档机制揭示了事件产出与发现广度的本质区别：Style2Risk使协议有效事件翻倍以上，但已占用单元仅增加5个，伴随重复率上升，说明原始事件计数会将扩展和重复两种效应混淆。新增单元覆盖了多维度风格–交互组合，均为严重近失而非额外事件类别。系统还改善了可追溯性——每次rollout均保留风格输入、基础动作、残差动作、筛选决策、事件类别和存档地址，且31,500次rollout仅消耗24.53 A100 GPU小时。研究局限包括：仅使用WOMD记录和三种固定规划器，500场景主实验设计用于受控机制比较，26场景验证的一点差异并非跨顺序稳定性检验，未来需在学习的规划堆栈、其他仿真器和更广泛的交通域中测试，以及需从在线观测学习风格并对照人类判断进行验证。
研究结论如下：Style2Risk为闭环AV测试引入了一种可解释的风格条件化对抗交互机制。果断性和礼让性控制学习的行為先验，有界残差将该行为转化为对被测规划器的目标化压力。风格–交互–事件存档随后记录协议有效安全关键事件的发生位置，以及后续rollout是扩展还是重复已表示的区域。在31,500次rollout的WOMD–Waymax机制比较中，相对于严格无风格，Style2Risk将每规划器块的协议有效事件从110.0增加至258.0，将形式化存档从28个已占用单元扩展至33个。在通用轨迹评估器下，Style2Risk将联合位移误差降低1.343 m，将交互一致性提高0.163，将碰撞率降低0.037。独立的rollout前实验进一步表明，风格可在不使用未来轨迹信息的情况下进行分配，在线引导在固定rollout流中产生了一点已占用单元差异而不改变事件产出。这些结果支持交互风格作为评估情境下闭环安全测试的实用控制变量。通过将行为生成、有界规划器探测和基于存档的发现分析分离开来，Style2Risk产生的目标化测试证据在行为条件、物理执行和发现结构方面均保持可见。将该接口扩展到学习的规划器和更广泛的交通域，为更全面的交互式AV评估提供了直接路径。
