- 解决安全关键交通场景生成中**现有扩散方法(diffusion-based methods)** 计算开销大、采样和引导误差累积导致不真实运动（如抖动、异常加速度、偏离道路）的问题
- 研究背景：安全关键场景生成对于评估**自动驾驶系统(autonomous driving systems)** 在罕见但高风险交互下的表现至关重要，但现有方法在闭环生成长轨迹时无法兼顾效率和真实性
- 提出**RiskFlow** 框架，将未来轨迹生成建模为**动作空间上的传输(transport in action space)**，学习一个**平均速度场(average velocity field)**，通过单次前向传播将高斯动作序列转换为未来的加速度和偏航率命令
- 使用**JVP-based目标函数(JVP-based objective)** 进行高效稳定的训练，替代迭代去噪过程；在测试时应用**输出空间引导(output-space guidance)**，引导选定的关键智能体趋向危险交互并正则化偏离道路行为，最后通过**车辆动力学(vehicle dynamics)** 重建物理可行的轨迹
- **效率突破**：单次前向传播生成动作，避免迭代去噪，显著降低推理时间；**JVP-based训练** 实现稳定且高效的学习
- **真实性-对抗性平衡**：通过**输出空间引导(output-space guidance)** 直接作用于动作空间，在引导关键智能体进入危险场景的同时保持运动真实性，避免误差累积导致的运动伪影
- **动作空间传输范式**：将轨迹生成从迭代扩散转变为确定性传输，提供更忠实的闭环生成
- 为安全关键多智能体交通场景生成提供了一种**快速且忠实(fast and faithful)** 的新框架，在**nuScenes数据集** 上通过**tbsim闭环评估** 验证了有效性
- 相比代表性基线，持续提升**真实性(realism)** 同时保持**竞争性的安全关键生成能力**，并大幅降低推理时间，有利于自动驾驶系统的实时评估
- 开源了**RiskFlow** 方法，推动了安全关键场景生成领域在**效率-真实性权衡** 上的进展