计算机工程与应用

作者：曾昭汰, 石晴, 余国宽, 范萱, 马智文

单位：1.贵州大学 现代制造技术教育部重点实验室，贵阳 550025；2.贵州师范大学 机械与电气工程学院，贵阳 550025；

关键词：自动驾驶系统测试,场景生成,归一化流,退火重要性抽样

基金：贵州省自然科学研究项目（ZK[2023]056）；贵州大学人才项目（[2021]56）；国家自然科学基金（52462055）；贵州省创新人才团队项目（CXTD2022-009）；贵州大学科研平台支持项目（2021013477，2023000900，2023000885）。

自动驾驶系统测试与评估的主流方法是虚拟仿真测试，而测试场景是虚拟仿真测试的关键。为了同时解决测试场景生成的“维度诅咒”和安全关键事件的罕见性问题，提出了归一化流退火重要性抽样（normalizing flow-annealed importance sampling，NF-AIS）方法。从HighD数据集提取车辆动作数据，通过归一化流（normalizing flow，NF）模型训练生成自然驾驶行为动作分布；将该分布作为退火重要性抽样（annealed importance sampling，AIS）的初始分布，灵活调整抽样权重以增大危险动作的比例；以最小化α=2散度为目标，使得最终生成的危险动作分布尽可能拟合真实数据分布。实验结果表明，所提方法在保证场景真实性的同时，能大量生成安全关键场景用于自动驾驶系统测试，与自然驾驶场景相比，NF-AIS方法生成的安全关键场景的测试效率提高了约7?700倍，且碰撞率达到了8.03%，远高于自然驾驶场景的碰撞率，从而能更高效地测试自动驾驶系统。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期