EvoDrive：经自改进帕累托演化的安全关键自动驾驶场景生成

生成安全关键场景对于验证和改进自动驾驶系统至关重要，但它本质上需要最大化对抗性以暴露故障，同时保持现实性。现有的方法通常通过手工启发式来管理这种权衡，将生成限制在已知的先验范围内，并忽略尚未探索的模式。虽然最近的开放式智能体进化可以突破这一限制，但不受约束的通用智能体缺乏严格的模拟器基础，并且往往会将多目标张力分解为单标量最大化。在这里，我们推出 EvoDrive，这是第一个基于 LLM 的自动化代理进化框架，用于多目标场景生成。 EvoDrive 采用基于模拟器的行动者-批评者架构，其中内存驱动的行动者迭代地提出对生成器的改进，批评者过滤掉不可信的候选者，而自我进化的世界评估者则提出有希望的建议以优化模拟预算。 EvoDrive 进一步维护评估候选者的帕累托档案，以保留多样化的攻击现实主义权衡，并通过模拟反馈指导未来的发展。 MetaDrive 和 CARLA 的基准结果表明，EvoDrive 不仅显着扩展了各种发电机的帕累托前沿，而且还为政策培训提供了有价值的场景。