IEEE顶刊综述：大语言模型在自动驾驶场景测试中的全面应用

这篇发表于IEEE智能交通系统汇刊的系统性综述，全面梳理了大语言模型（LLMs）在自动驾驶系统基于场景的测试全流程中的应用，涵盖数据增强、场景生成、测试执行和安全评估等关键环节。研究填补了该领域缺乏系统性综述的空白，为自动驾驶测试提供了新的技术路径。

自动驾驶系统（ADS）的安全性验证是大规模商业化的核心瓶颈。传统道路测试成本高、周期长，难以覆盖极端场景；基于场景的测试（SBT）是公认验证手段，但场景设计、生成等仍面临挑战。LLMs凭借自然语言理解、代码生成和推理能力，为解决这些问题提供新路径。

研究建立了自动驾驶场景测试的五个核心阶段：

1. 场景来源：LLMs用于数据增强、危险分析、自动化标注与检索；
2. 场景生成：LLMs可转化自然语言需求为结构化场景、提取场景要素、生成标准格式（如OpenSCENARIO）及可执行场景；
3. 场景选择：辅助聚类、采样和关键场景识别；
4. 测试执行：承担异常检测、环境配置、参数优化等；
5. ADS评估：参与安全性能评估，生成结构化报告。

• LLMs显著提升场景生成效率与多样性，优于传统方法；
• 多模态融合（MLLMs）是重要方向，可从视频、图像等提取场景；
• LLM生成与形式化验证结合需探索，以提升测试可信度。

实践价值：维护开放文献数据库（GitHub）、建立统一术语体系、涵盖学术到工业案例。行业影响：为测试标准演进提供理论支撑，获IEEE顶刊认可，有望成为行业标准工具链组成部分。

局限性：缺乏大规模工业部署数据、场景物理一致性验证不成熟、测试结果复现性需标准化。未来方向：开发领域专用LLM、建立自动验证管道、探索与数字孪生等技术协同。

大语言模型正重塑自动驾驶测试范式。该综述提供全面技术地图，两者深度融合将催生更智能高效的验证方法，加速自动驾驶技术落地。