From d59bee9dc55b6720eb9db4c4124b1937b317cb3e Mon Sep 17 00:00:00 2001
From: minghao-lee <1467864011@qq.com>
Date: Tue, 12 May 2026 19:51:41 +0800
Subject: [PATCH] =?UTF-8?q?=E6=8F=90=E4=BA=A4=E4=B8=AD=E6=96=87=E6=91=98?=
 =?UTF-8?q?=E8=A6=81?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 critical/undergraduate/content/abstractzh.tex | 6 ++++--
 1 file changed, 4 insertions(+), 2 deletions(-)

diff --git a/critical/undergraduate/content/abstractzh.tex b/critical/undergraduate/content/abstractzh.tex
index f445fa15..33b0ee96 100644
--- a/critical/undergraduate/content/abstractzh.tex
+++ b/critical/undergraduate/content/abstractzh.tex
@@ -1,10 +1,12 @@
 %!TEX root = ../csuthesis_main.tex
 % 设置中文摘要
-\keywordscn{智能驾驶\quad 仿真场景\quad 危险场景生成\quad NSGA-II 多目标优化}
+\keywordscn{危险驾驶场景\quad 强化学习\quad 场景生成\quad NSGA-II CARLA仿真}
 %\categorycn{TP391}
 \begin{abstractzh}
 
-在智能驾驶系统的发展过程中，仿真场景的生成与优化是保障其安全性和可靠性的关键技术手段。本文首先基于自然驾驶数据提取具有代表性的危险场景，构建真实有效的仿真数据基础；随后，采用多维场景融合方法识别典型行车行为（如变道、跟车、邻车切入等），并与动态交通要素结合，生成更加复杂和真实的测试场景。针对现有测试环境中高风险场景覆盖率不足的问题，本文重点引入 NSGA-II 多目标优化算法，通过非支配排序与拥挤度计算，在“最小安全距离”和“碰撞风险”两个目标之间实现 Pareto 最优平衡，有效筛选出多样且具有代表性的高危场景。实验结果表明，与传统随机搜索方法相比，NSGA-II 可将高风险场景覆盖率提高 30\% 以上。最后，设计并实现了一套自动化仿真测试平台，集成场景生成、仿真执行、数据采集与结果分析功能，实现测试流程的自动化和标准化。本文方法显著提升了智能驾驶系统在仿真环境中的安全性验证能力，为未来自动驾驶系统的开发与测试提供了有力技术支撑。
+随着自动驾驶技术的快速发展，如何在复杂交通环境下对自动驾驶系统的安全性进行有效评估，已成为当前研究的重要问题。传统道路测试由于成本高、安全风险大以及难以复现特殊场景等局限性，逐渐被仿真测试所替代。为满足自动驾驶安全测试需求，本文基于CARLA仿真平台，提出了一种面向自动驾驶危险工况的分类与生成方法。
+本文结合人工标注与强化学习技术，对不同类型的危险工况进行识别与分类，并将生成结果转换为符合OpenSCENARIO标准的.xosc场景文件。同时，对恶劣天气、交通违章行为以及多交通参与者交互等典型危险场景特征进行了分析。在此基础上，采用基于人工标注与PPO（Proximal Policy Optimization）强化学习相结合的半自动化数据生成方法，构建了包含加塞、变道、紧急制动、行人横穿道路等十类高危驾驶场景的数据集。
+针对生成场景，本文从场景复现率、危险程度及可重复性等方面建立评价指标体系，并通过图表对实验结果进行分析。实验结果表明，本文提出的方法能够有效提高危险场景生成效率，并生成较为真实的复杂交通场景，为自动驾驶系统的安全测试提供支持。
 
 
 \end{abstractzh}