Os testes baseados em simulação são cruciais para validar veículos autônomos (VAs), no entanto, os métodos existentes de geração de cenários ou superajustam padrões de condução comuns ou operam de uma maneira offline e não interativa que não consegue expor casos raros e críticos de segurança. Neste artigo, apresentamos um framework online, aumentado por recuperação, de modelo de linguagem grande (MLG) para gerar cenários de condução críticos para a segurança. Nosso método primeiro emprega um analisador de comportamento baseado em MLG para inferir a intenção mais perigosa do veículo de fundo a partir do estado observado, em seguida, consulta agentes adicionais de MLG para sintetizar trajetórias adversariais viáveis. Para mitigar o esquecimento catastrófico e acelerar a adaptação, aumentamos o framework com um banco dinâmico de memorização e recuperação de pares de intenção-planejador, expandindo automaticamente sua biblioteca comportamental quando novas intenções surgem. Avaliações usando o Conjunto de Dados Open Motion da Waymo demonstram que nosso modelo reduz o tempo médio mínimo até a colisão de 1,62 para 1,08 s e incide em uma taxa de colisão de 75%, superando substancialmente os padrões de referência.
Mei et al. (Sex,) estudaram esta questão.