AI Day直播！清华&吉利Challenger框架：自动驾驶对抗场景高效生成~-优快云博客

本文提出了Challenger框架，首次实现了物理合理且视觉逼真的对抗性驾驶视频生成。其突破性在于通过两项关键技术解决了轨迹空间优化与高保真传感器数据生成的联合挑战：

物理感知的多轮轨迹优化机制：基于扩散模型生成初始轨迹，结合线性二次调节器（LQR）控制器与自行车运动学模型进行物理仿真，通过迭代式重采样、噪声扰动和去噪细化，高效筛选对抗性候选轨迹。
可微分的轨迹评分函数：设计兼顾环境约束与对抗性的复合评分指标（可行驶区域合规性、碰撞率、对抗挑战度），在抽象层面评估轨迹质量，避免高成本的逐轨迹渲染计算。

该框架在nuScenes数据集上生成多样化对抗场景（如强行切入、盲区超车、跟车过近），并利用MagicDriveDiT渲染器输出多视角逼真视频。实验表明，所生成场景显著提升主流端到端自动驾驶模型（如UniAD、VAD）的碰撞率（最高达26倍），且发现的对抗行为具有跨模型可迁移性，揭示了自动驾驶系统的共性脆弱性。

论文链接：https://arxiv.org/abs/2505.15880
代码仓库(GitHub)：Pixtella/Challenger：https://github.com/Pixtella/Challenger
项目主页：Challenger：https://pixtella.github.io/Challenger/
数据集(Hugging Face)：Pixtella/Adv-nuSc · Datasets at Hugging Face：https://huggingface.co/datasets/Pixtella/Adv-nuSc

自动驾驶之心

论文辅导来啦

知识星球交流社区

近4000人的交流社区，近300+自动驾驶公司与科研结构加入！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（大模型、端到端自动驾驶、世界模型、仿真闭环、3D检测、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎加入。

独家专业课程

端到端自动驾驶、大模型、VLA、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频

学习官网：www.zdjszx.com