复现论文：基于物理–智能混合理论的自动驾驶车辆动态场景库生成方法摘要本文详细复现了 Zhang 等人于 2022 年发表在《Sensors》期刊上的论文《Research on the Physics–Intelligence Hybrid Theory Based Dynamic Scenario Library Generation for Automated Vehicles》。该论文提出了一种基于物理–智能混合理论的动态场景库生成框架，旨在提升自动驾驶车辆测试系统的效率和准确性。框架包含三个核心模块：参数化场景规范（基于层次分析法优化场景元素维度）、长尾函数构建（结合自然驾驶数据与理想场景空间，利用支持向量回归和凸组合方法确定场景边界）以及关键场景搜索（针对低维场景采用多点优化与泛洪填充，针对高维场景采用强化学习）。本文从理论原理、数学推导、代码实现到实验验证，完整复现了该工作，并使用合成数据模拟了切入场景和跟驰场景的测试过程。复现结果表明，所提方法能有效加速关键场景的生成，显著提升事故率检测效率，与原文结论一致。1. 引言自动驾驶汽车的测试与评价是确保其安全性与可靠性的核心技术。由于实际道路测试成本高、周期长，基于仿真的测试成为必然趋势。然而，仿真测试需要大量的场景数据，而自然驾驶数据（NDD）虽真实但覆盖度低，理想场景空间数据（ISSD）虽覆盖广但缺乏真实性。如何生成高效且准确的动态场景库成为研究热点。Zhang 等人提出的物理–智能混合理论框架，通过场景参数化、长尾函数构建和关键场景搜索三个步骤，生成低维和高维关键场景，从而加速测试。本文旨在复现该框架，主要贡献