用于自动驾驶安全测试的场景扩散

Zoox采用场景扩散（Scenario Diffusion）这一机器学习架构，为自动驾驶汽车生成逼真的安全关键驾驶场景。这种生成式AI方法通过大规模创建复杂场景，增强了自动驾驶车辆的安全验证，有助于开发完全自主的导航能力。生成式AI用于大规模生成逼真的安全关键驾驶场景（包括罕见或危险场景）。系统可通过“智能体令牌”和“全局场景令牌”进行引导，以塑造车辆位置、轨迹、速度等，从而测试自动驾驶汽车在各种关键道路情况下的行为。

自动驾驶车辆的安全验证需要大规模生成逼真的安全关键驾驶场景。传统方法产生的场景复杂度有限，难以复制许多真实世界情况，且缺乏对车辆位置、速度和轨迹的精细控制，导致难以有效测试罕见或危险路况下的自动驾驶行为。

采用基于潜在扩散模型的场景扩散（Scenario Diffusion）架构。该架构包含一个自编码器，将复杂驾驶场景投影到低维表示空间；一个扩散模型在该空间中进行训练，通过学习去噪过程将随机噪声逐步转换为逼真驾驶场景。生成过程可使用“代理令牌”指定部分车辆的位置、尺寸、朝向和轨迹等特性，以及“全局场景令牌”控制道路繁忙程度，从而可控地生成包含指定安全关键事件的逼真交通场景，支持大规模仿真测试。

1. 1使用来自多个地理区域的数百万真实驾驶日志（包含公开和专有数据集）训练自编码器，将驾驶场景压缩到潜在表示空间。
2. 2在潜在空间中训练扩散模型，通过向真实场景添加噪声并学习去除噪声，使模型能够从随机噪声生成新场景。
3. 3在推理时，通过提供地图和可选的代理令牌、全局场景令牌，引导扩散模型生成符合要求的逼真安全关键驾驶场景。

该案例未在来源材料中披露量化效果指标，具体成效请参考下方信息来源。

当前模型生成的对象主要为标准车辆，尚未能生成包含行人、自行车、动物等更多样化对象的复杂场景；生成诸如学校放学时人群涌上道路等高度复杂的安全场景仍属未来目标，模型输出的丰富度和细腻度有待增强。