闭环策略评估会受到闭环漂移的影响。执行前预先编写、设定了参与体路线、速度或行为的场景，在自车策略进入闭环响应后，可能无法维持预期交互。仅有反应式参与体并不足够，场景触发器也一样无法解决问题。场景编排器通过持续监测联合交通状态，并以调整时序、重新规划路线和重新分配角色的方式协同调整非自车参与体，弥补这一不足。它在每个步骤求解受约束优化问题，确保目标交互仍可实现，同时限制干预并维持交通状态可行。
脚本化执行
场景实现情况以一次仿真运行是否满足一系列场景来衡量。这是基于场景的测试中常见的范式：场景被表示为一系列场景从初始场景开始随时间演变的过程。场景图用于编码场景中各实体的结构和关系。近期测试研究利用场景图，根据初始场景以及规范允许的后续演变生成测试。
数据驱动生成
基于评分的指标可以衡量各参与体对自车的安全关键程度，但无法反映一次仿真运行是否实现了特定场景。
方法
一种可扩展的多智能体交通仿真控制器可用于解决场景编排问题。
受约束优化
该方法在闭环中通过滚动时域控制求解受约束优化问题。
场景表示
场景建模为参与体列表，每个参与体都对应一系列机动动作。机动动作是从 left_turn、go_straight、right_turn、lane_change_left 和 lane_change_right 集合中选取的离散动作，并带有速度和转弯半径等连续参数。各参与体的执行过程并行进行；对于给定参与体，其动作则按序列中的顺序依次执行。
实验
实验围绕两个研究问题展开：
- RQ1：与其他方法相比，该方法能否更有效地实现目标场景？ 这一问题考察不同方法是否适合有针对性地实现预先设定的测试意图。
- RQ2：与其他方法相比，该方法能否更有效地对策略进行压力测试？ 这一问题考察不同方法能否根据意图识别并诱发自车策略的失效。
结论
闭环策略评估会受到闭环漂移的影响。执行前预先编写、设定了参与体路线、速度或行为的场景，在自车策略进入闭环响应后，可能无法维持预期交互。仅有反应式参与体并不足够，场景触发器也一样无法解决问题。场景编排器持续监测联合交通状态，并以调整时序、重新规划路线和重新分配角色的方式协同调整非自车参与体。它在每个步骤求解受约束优化问题，确保目标交互仍可实现，同时限制干预并维持交通状态可行。
在 CARLA 中开展的实验涵盖多个场景系列和自车策略。结果表明，与脚本化和学习式的参与体层级基线相比，该编排方法能更可靠地实现目标交互，即使初始条件和自车行为发生变化也如此。通过将场景实现情况与自车的响应分别评分，评估可以先判断目标交互是否发生，再考察策略在该交互下的表现。
当前设计的局限在于依赖人工指定的交通行为，例如按参与体执行目标动作的可能性对其排序。随着场景变得更加复杂和开放，这种方法难以扩展。将数据驱动的参与体模型与目标和约束相结合，将留待未来工作探索。
致谢
代码库的工程开发与实现过程中使用了生成式人工智能工具，包括人工智能代理。
常见问题
什么是场景编排？ 这是一种监测联合交通状态并调整非自车参与体，以确保目标交互仍可实现的方法。
该方法如何调整交通参与体？ 它通过调整时序、重新规划路线和重新分配角色来进行调整，并在每个步骤求解受约束优化问题。
如何衡量场景是否实现？ 当一次仿真运行满足一系列场景时，即认为场景已实现。
作者指出了什么局限？ 该设计依赖人工指定的交通行为，因此可能难以扩展到更复杂、开放程度更高的场景。