利用真实事故记录生成自动驾驶测试场景，LLM助力高效发现系统缺陷

为确保自动驾驶系统（ADS）上路安全，部署前的测试和故障发现至关重要。当前基于仿真的测试方法主要依赖数学模型搜索最优场景，但往往假设固定的场景表示形式；而真实世界测试则需要大量人工设计测试场景模板。

本研究提出了一种创新的场景生成流程，利用自然语言格式的历史事故记录中包含的分类和上下文信息。该方法采用模块化的LLM合成场景生成技术，能够生成与特定系统测试约束兼容的场景。研究团队成功将该方法应用于NHTSA自动驾驶事故记录，在Metadrive模拟器上为自主导航测试生成了多样化场景集。

生成的场景涵盖了4种道路类型和3种非自车运动类型，包括施工区等道路异常情况。在仅20个场景的有限测试预算下，该方法不仅生成了准确多样的测试场景，还成功揭示了系统的有趣故障模式。这项研究为自动驾驶测试提供了更高效、更贴近真实世界的场景生成方案，代码已在GitHub开源。