2026年3月12日，TOPS第177期组会于通达馆A102线下举行。本次组会由24级博士郭翼成进行以《基于对抗扩散生成的闭环自动驾驶进化框架》为主题的学术报告分享。课题组全体老师同学出席了本次组会。

汇报时刻

郭翼成同学从研究背景、研究内容、实验结果和总结展望四个方面展开介绍。在研究背景方面，郭翼成同学指出，尽管当前自动驾驶算法在大量常规场景中已取得显著进展，但面对稀缺、复杂且具有强交互性的长尾场景时，仍然容易暴露出鲁棒性不足、决策脆弱等问题。同时，现有对抗场景生成方法在动态交互性、驾驶行为真实性与对抗可控性之间往往难以兼顾，难以有效支撑自动驾驶系统的持续进化。

研究背景

基于此，郭翼成同学提出构建闭环自动驾驶进化框架的研究思路，旨在在不脱离真实轨迹分布的前提下，自适应生成能够揭示系统失败模式的高价值对抗场景，并将其反哺为算法训练信号，从而推动自动驾驶系统在闭环中持续优化。

研究目标

研究内容方面，郭翼成同学围绕闭环自动驾驶评估与进化问题，构建了基于对抗扩散生成的系统化框架Evaluation as Evolution。该研究将对抗场景生成建模为基于Reverse-time SDE的受控扩散采样问题，在保持真实轨迹先验的基础上，通过引入漂移控制项实现对抗场景的稳定生成。研究进一步提出结构感知稀疏控制方法，通过风险加权交互图识别关键结构分岔点，并结合语义可行性过滤，筛选出与EGO风险演化高度相关的关键车辆集合。

研究内容

在此基础上，研究构建交互骨架，并通过拓扑锚定机制在扩散中间过程注入关键交互结构，增强对抗场景生成的稳定性与耦合性。最终形成“对抗场景构建—闭环仿真评估—失败信号驱动更新—再评估”的迭代流程，实现自动驾驶策略在对抗压力下的持续改进。

研究内容

实验分析方面，郭翼成同学基于nuScenes数据集和tbsim闭环仿真平台，对所提出方法进行了系统验证，并与CTG、STRIVE、DiffScene、Safe-Sim和CCDiff等多种基线方法进行了对比。结果表明，该方法在真实性与攻击性之间取得了更优平衡：一方面，生成的对抗场景能够更贴近真实驾驶行为分布；另一方面，又能有效挖掘自动驾驶系统在复杂交互场景下的潜在失败模式。

实验分析

在关键消融实验中，结构感知稀疏控制和语义可行性筛选均表现出重要作用。针对不同EGO策略的跨策略泛化实验表明，该框架能够根据被测对象的决策逻辑自适应生成差异化失败场景，较好揭示了规则式方法与学习式方法在鲁棒性上的不同薄弱环节。

消融实验

未来，郭翼成同学将围绕课程难度在线调度、高频实时反馈控制以及更具解释性的能力评估指标等方向开展研究，期待相关研究为自动驾驶系统安全落地提供更加完善的闭环进化支撑。

汇报结束后，与会师生围绕研究内容展开了深入讨论。赵晓聪老师首先肯定了本次汇报在整体呈现效果和PPT制作上的良好开端，同时建议后续研究开展进一步立足现实需求，明确自动驾驶研究的实际应用出口。秦国阳老师建议进一步明确研究的科学问题与目标，并突出相较现有方法的综合优势。孙杰老师认为，闭环进化在当前框架中的必要性尚不够突出，现阶段研究重点可能仍应放在测试场景生成本身，同时建议后续汇报同学进一步细化方法论讲解。石皓天老师则认为，当前工作的问题表述较为宽泛，需要进一步收缩研究边界，将问题凝练到明确的学术挑战上。整场研讨在积极而浓厚的学术氛围中顺利结束。