scenario-generation

本文提出了DiffTilt，一种分布性框架，通过指数倾斜扩散模型在环境和执行上的联合分布，高效发现自主系统和信息物理系统中的罕见安全关键故障，在ARCH-COMP基准测试和一个新的拖挂卡车基准测试中优于条件采样策略。

本文扩展了AssetOpsBench，增加了智能电网变压器资产类别，并引入了ScenarioGeneratorAgent，一个用于合成工业智能体场景生成的流水线，在保持场景质量的同时实现了8倍的运行时间改进。

Chat2Scenic是一种基于迭代RAG的框架，能够从法规描述中生成可执行的领域特定语言场景脚本，用于自动驾驶测试，实现了76.42%的编译成功率，优于现有方法。

本文提出了一种面向电网调度中分布鲁棒优化的决策聚焦生成框架，用于生成相关场景。该框架基于下游运营成本而非预测准确性来优化场景。与不同生成模型下的精度导向方法相比，运营成本降低了0.80%-2.02%。

本文提出了一种模块化的LLM流水线，利用历史故障记录（例如NHTSA碰撞数据）生成多样化的自动驾驶系统测试场景，从而在有限的测试预算内实现有效的故障发现。

本研究论文提出了一种基于Transformer的强化学习框架，用于自动生成无人交通管理（UTM）系统的安全关键测试场景，在漏洞发现效率上比专家引导测试提高了8倍。

ScenePilot 提出了一个可行性引导的、边界驱动的框架，用于为自动驾驶生成安全关键场景，通过约束多目标强化学习来生成物理上有效但会诱发失败的场景。