PPR-2404.07762
Paper
NeuroNCAP: Photorealistic Closed-loop Safety Testing for Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | NeuroNCAP: Photorealistic Closed-loop Safety Testing for Autonomous Driving |
| authors | William Ljungbergh, Adam Tonderski, Joakim Johnander, Holger Caesar, Kalle Åström, Michael Felsberg |
| venue | ECCV 2024 (arXiv:2404.07762) |
| arxiv | 2404.07762 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2404.07762v4 |
| source-hash | sha256:90a18a7b4f3e591f54c635f741e0163ddb502c6893c318569c4b029412b80492 |
| admitted-under | A2-direct-edge |
| admission-note | 被 HUGSIM（PPR-2412.01718）直接引用并作为“首个公开照片级闭环仿真器”对照。 |
定位
Ljungbergh 等（ECCV 2024，Zenseact / 林雪平）提出 NeuroNCAP，一个基于 NeRF 的通用仿真器，重点是传感器级真实的闭环评测与安全关键场景构造。仿真器从真实驾驶传感器数据序列中学习，支持对新场景做重配置与渲染。论文用它测试端到端规划器对由欧洲新车安全评鉴协会（Euro NCAP）启发的安全关键场景的反应，报告一个关键发现：当时最优的端到端规划器在开环常规驾驶场景中表现出色，但在其闭环安全关键场景中呈现严重缺陷，说明端到端规划器的安全性与真实可用性仍需推进。作者公开仿真器与场景作为易运行的评测套件。
与本库的关系
- 准入身份：A2-direct-edge（被 HUGSIM 直接引用）。
- 谱系定位：闭环安全测试线。其“开环好、闭环安全场景差”的结论与 BEV-Planner（PPR-2312.03031）对开环评估的批判同向，是 BMK-006（NAVSIM 非反应式）选择后果型指标的另一侧翼；与 HUGSIM（PPR-2412.01718）在攻击型 actor 生成上互为对照。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（11）
- PPR-2308.01898 UniSim: A Neural Closed-Loop Sensor Simulator
- PPR-2310.12432 CAT: Closed-loop Adversarial Training for Safe End-to-End Driving
- PPR-2312.03031 Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving?
- PPR-2408.00415 DriveArena: A Closed-Loop Generative Simulation Platform for Autonomous Driving
- PPR-2412.01718 HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving
- BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
- FRM-2310.12432 CAT 五层重建（骨架）：核心对象是以环境增强视角做安全端到端驾驶的闭环对抗训练——用贝叶斯因式化把“场景为安全关键”的联合分布拆成“交通先验 × ego 估计 × 碰撞似然”三项（前提是 ego 反应单向依赖未来交通流），从而把对抗交通生成归结为标准运动预测子问题的乘积，使物理攻击更可行、迭代学习管线算力成本显著更低；公理层含『仅用真实数据集检索的场景不足以训练/评测，因事故易发事件极罕见』。
- FRM-2404.07762 NeuroNCAP 五层重建（骨架）：核心对象是以 Euro NCAP 为蓝本的安全关键场景闭环评测——用从真实驾驶传感序列学习的神经（NeRF 式）仿真器重构可配置的新场景，按目标 actor 行为分 stationary/frontal/side 三类，把 ego 与目标 actor 初始化到“若维持当前速度与转向约 4 秒后碰撞”，每场景随机抖动后跑 100 次；结果显示 UniAD/VAD 在开环名义场景表现良好，却在闭环安全关键场景下碰撞率高达 98–99%，暴露规划与辅助输出不一致这一设计缺陷。
- FRM-2510.04333 RAP 五层重建（骨架）：核心对象是“训练端到端规划器不需要光真实”这一主张及其实现——用轻量 3D 栅格化（对标注图元做栅格化）替代昂贵的光真实渲染，构造反事实恢复机动与跨智能体视角合成等增强，并用 Raster-to-Real 特征空间对齐弥合 sim-to-real 差距；公理层含『模仿学习缺恢复数据，闭环下小错误不可纠正并累积』与『驾驶依赖几何与动力学而非纹理光照』。
- FRM-2605.19771 BeyondDrive 五层重建（骨架）：核心对象是让模仿学习显式吸收失败——提出“安全不对称”性质（模仿误差几乎相同的两条轨迹安全性可截然不同，一条可恢复、一条致碰撞），故用流匹配的负轨迹生成器合成“安全关键但贴近专家”的硬负样本、以多样性感知采样提高失败模式覆盖，再用排斥距离损失同时吸引预测靠近专家并推离硬负样本，从而在轨迹空间建立可判别的安全边界。
- IDX-001 NAVSIM 规划线