LAMBDA：通过搜索空间量化覆盖自动驾驶系统的多模态关键场景

基于摘要分析。本文研究自动驾驶系统（ADSs）的场景式虚拟安全测试：在无法穷举逻辑场景空间时，如何用有限测试覆盖尽可能多的危险场景，而不只是找到一个最危险的场景。作者将这一目标定义为 Black-Box Coverage（BBC）问题，并提出 LAMBDA（Latent-Action Monte-Carlo Beam Search with Density Adaption）。 方法上，作者在基于采样的搜索范式中形式化 BBC，并利用 Confusion Matrix Analysis 构造覆盖判据。LAMBDA 通过将逻辑场景空间递归划分为接受与拒绝两部分，使搜索聚焦于关键子空间。相较于其前身 LaMCTS，LAMBDA 引入采样密度以应对优化导向造成的采样偏差，并引入 Beam Search 提升并行能力。其主要方法价值在于区分“寻优”与“覆盖”：找到单一极值点，并不意味着已充分探索多个彼此分离的危险区域。 作者报告，在二维和五维合成函数上，达到关键区域 95% 覆盖率时，LAMBDA 相对 Random Search 的最高加速倍数分别为 33 倍和 6000 倍；作者还报告其在所比较基线中达到最优表现，并在 ADSs 虚拟测试中展示应用潜力。这些数字限定于摘要所述的合成函数测试，不能推广为实际驾驶测试的加速倍数。 摘要未给出覆盖判据的具体计算方式、危险区域的判定规则、完整基线列表、测试预算及 ADSs 实验细节；实验协议、消融及统计信息尚未验证。复现时需重点核对覆盖率的参考真值、采样密度估计方式，以及并行搜索下的计算预算是否可比。本文的主要对象是自动驾驶安全测试，材料未提供 EEG 或 BCI 验证；已有 EEG 相关工作尚未检索确认。