生成式AI助力自动驾驶系统（ADS）测试的全景解析：
• ADS测试挑战在于覆盖海量复杂且关键场景，传统方法难以高效全面实现。
• 生成式AI模型（LLMs、VLMs、扩散模型、GAN、变分自编码器等）通过场景生成、关键场景构造、场景转化、增强、重建及理解等六大任务，显著丰富测试场景多样性与针对性。
• LLMs（如GPT-4系列）尤为突出，擅长基于自然语言提示生成复杂场景，辅以精细的提示工程和多阶段生成策略，提升语义精准度和一致性。
• 扩散模型与GAN在图像级和轨迹级场景合成中表现优异，支持基于目标和上下文条件的可控生成，催生更真实且安全关键的测试环境。
• 评估涵盖真实度、多样性、有效性、可控性、关键性及效率六大维度，广泛使用Waymo、nuScenes等公开数据集及Carla等主流模拟器，验证生成场景对ADS性能提升与缺陷暴露的价值。
• 现存限制包括生成输出的幻觉现象、对复杂指令理解不足、对领域特定任务适应性差、对未见数据泛化能力弱及计算资源消耗高，亟需结合领域知识、加强模型鲁棒性和优化计算效率。
• 本调研基于91篇文献系统分析，勾勒生成式AI在ADS测试的应用全貌，既揭示其潜力，也明确未来研究方向，助力推动自动驾驶技术安全可靠落地。
详情阅读👉 arxiv.org/abs/2508.19882
自动驾驶 生成式AI 场景生成 安全测试 智能驾驶 AI评测
