Teach-to-Crash：用于生成碰撞诱发测试场景的闭环师生大语言模型框架

在模拟中验证自动驾驶系统 (ADS) 需要测试架构，该架构可以发现罕见的、安全关键的故障，同时生成可执行的、多样化的且对下游故障分析有用的场景。我们引入了 Teach-to-Crash，这是一个闭环测试框架，它结合了受约束的以自我为中心的场景表示、停滞感知搜索控制和用于自适应故障发现的双 LLM 架构。高推理的 Teacher LLM 充当自适应搜索控制器，而低推理的 Student LLM 在严格的 JSON 模式中发出模拟器可执行的场景。仅当滚动碰撞率和碰撞时间指标停滞时，教师才会进行干预，提供重定向搜索的策略指导。在 CARLA 案例研究中，使用两种改变自我车辆速度策略的实验设置，Teach-to-Crash 实现了最高的碰撞命中率 (90.79%)、最短的平均碰撞时间 (18.31 秒) 和具有竞争力的碰撞发现率 (136.21)。 PAFOT 获得了较高的平均 CDR (179.44)，但方差却大得多。 Teach-to-Crash 还产生最高的多样性 (0.547)，并且在 CARLA Traffic Manager 控制器上的两种设置上平均，在比较方法中基于可避免性的有用性代理最高 (60.04%)。在评估的 CARLA 范围内，这些结果提供了证据，证明闭环双 LLM 推理可以在受限的可执行程序空间上引导基于对抗性模拟的测试，从而产生频繁的、结构多样的故障，并且被评估为更频繁地可以避免。