arXiv cs.AI· Tong Nie, Yuewen Mei, Yihong Tang, Junlin He, Jie Deng, Jian Sun, Wei Ma·· 6 天前AI 评分24
EvoDrive：基于自改进 LLM 智能体的帕累托进化安全关键自动驾驶场景生成
EvoDrive: Pareto Evolution for Safety-Critical Autonomous Driving via Self-Improving LLM Agents
AI 导读
EvoDrive 是首个基于 LLM 智能体的多目标场景生成自动化进化框架，采用模拟器接地的 actor-critic 架构，由记忆驱动 actor 迭代改进生成器、critic 过滤不合理候选，并通过自进化世界评估器分配仿真预算。
正文 · AI 翻译
摘要：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，但其本质上要求在保持真实性的同时最大化对抗性以暴露失效。现有方法通常通过手工设计的启发式规则来权衡这一矛盾，将生成限制在已知先验范围内，并忽视了尚未充分探索的模式。尽管近期开放式智能体演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，往往将多目标张力坍缩为单标量最大化。在此我们提出 EvoDrive，这是首个基于 LLM 的自动化智能体演化框架，用于多目标场景生成。EvoDrive 采用以模拟器为基础的 actor-critic 架构，其中记忆驱动的 actor 迭代地提出对生成器的改进，critic 过滤掉不合理的候选，而自演化世界评估器则将有前景的提案路由出去以优化模拟预算。EvoDrive 进一步维护已评估候选的 Pareto 档案，以保留多样化的攻击-真实性权衡，并通过模拟反馈指导未来演化。在 MetaDrive 和 CARLA 上的基准测试结果表明，EvoDrive 不仅显著扩展了各种生成器的 Pareto 前沿，还产生了用于策略训练的有价值场景。
| 评论： | 被第 10 届机器人学习会议（CoRL 2026）接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.03678 [cs.AI] |
| （或 arXiv:2606.03678v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.03678 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tong Nie [查看电子邮件]
[v1]
2026 年 6 月 2 日星期二 14:01:23 UTC（5,199 KB）
[v2]
2026 年 10 月 9 日星期五 13:56:29 UTC（5,208 KB）
来源：arXiv cs.AI · arxiv.org