该研究针对自动驾驶在安全关键场景中的评估不足，定义了安全关键场景，建立了测试平台，并提出了系统性的安全验证过程，为行业提供了标准化测试框架，以降低实际道路部署风险。

本文探讨了通过推理时间算法和置信度量化方法提高视觉语言模型的可靠性与准确性。研究表明，模型的不确定性与准确性相关，提出了新的选择回归方法和评估框架，显著提升了多种基准测试中的表现。此外，利用符合性预测方法量化不确定性，增强了模型在安全关键场景中的应用可靠性。

通过引入基于引导扩散模型的闭环模拟框架，提出一种新的方法来生成现实世界情景的安全关键场景，并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标，改善了道路进展，同时降低了碰撞和离道率。通过去噪过程中的对抗项，开发了一种模拟安全关键场景的新方法，使对抗性代理能够通过可行的操纵手段挑战规划器，同时场景中的所有代理均表现出反应灵敏和逼真的行为。通过使用 NuScenes 数据集的实证验证了框架，证明了在现实性和可控性方面的改进。这些发现肯定了引导扩散模型为安全关键、互动式交通模拟提供了强大而通用的基础，进一步扩展了其在自动驾驶领域的实用性。

深度神经网络在自动驾驶等安全关键场景中广泛使用，但受到对抗样本的威胁。对抗攻击可分为白盒和黑盒，目的可分为有目标和非有目标。黑盒设置是实践中常遇到的情况。