随着自动驾驶汽车的不断发展，降低风险概率，协助驾驶员实现安全驾驶，已成为当前汽车智能化领域的研究热点之一。而如何使自动驾驶汽车应对各种关键与稀有场景，是提高其安全可靠性的关键，也是自动驾驶技术面临的难点与挑战。

这些关键与稀有场景包括但不限于恶劣天气、道路施工、交通事故、突然出现的障碍物等。由于在场景泛化性、危险性、可解释性、生成效率等方面存在巨大技术优势，利用仿真建模技术生成关键与稀有场景，已逐步取代传统的开放道路试验或基于封闭试验场测试的方法，成为当今新的主流方式。

关键与稀有场景生成的核心是机器学习和人工智能技术。它利用深度神经网络、遗传算法等先进技术进行训练和优化，逐步提高自动驾驶汽车的反应速度和准确性；并且可以模拟各种复杂的道路环境和交通情况，从而帮助其更好地应对关键与稀有场景，适应不同的环境。这对推动自动驾驶汽车的进一步发展，提高其智能化水平和应用价值具有重要意义。

卡内基梅隆大学在读博士丁文浩等研究人员针对如何生成关键与稀有场景进行了研究总结，并将论文《A Survey on Safety-Critical Driving Scenario Generation—A Methodological Perspective》发表于顶级期刊 IEEE T-ITS 2023上。

他们在论文中将现有的关键与稀有场景生成方法分为三类：数据驱动生成、对抗生成和基于知识生成，并总结关键与稀有场景生成技术面临的五大挑战：准确性、效率、多样性、可迁移性、可控性。

6月9日上午10点，「自动驾驶新青年讲座」第17讲邀请到卡内基梅隆大学在读博士丁文浩参与，主讲《自动驾驶中的关键与稀有场景生成》