LAST-V2X: Language-Driven Adaptive Scenario Synthesis and Testing for Communication-Induced Failures in V2X Safety Applications

📄 arXiv: 2610.30979v1 📥 PDF

作者: Keshu Wu, Hao Zhang, Rui Gan, Pei Li, Jiwan Jiang, Yang Zhou

分类: cs.RO, cs.AI

发布日期: 2026-10-22

💡 一句话要点

提出LAST-V2X以解决V2X安全应用中的通信诱发故障问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: V2X通信 安全测试 场景合成 大型语言模型 故障注入 自动驾驶 智能交通

📋 核心要点

  1. 现有方法在测试V2X通信故障时面临挑战，难以有效配置交通交互和通信条件。
  2. LAST-V2X通过语言驱动的框架，将自然语言描述转化为可执行的测试场景，提升了测试的自动化程度。
  3. 实验结果表明，LAST-V2X能够有效区分通信诱发的故障与其他安全违规，显著提高故障发现率。

📝 摘要（中文）

车辆与一切（V2X）通信使得连接车辆能够做出安全关键决策，但延迟、缺失或错误的信息可能会危及驾驶安全。系统地测试这些故障具有挑战性，因为交通交互、通信条件和应用响应必须联合配置以产生有意义的场景。本文提出LAST-V2X，一个基于语言驱动的自适应框架，用于自动场景合成和V2X应用的安全测试。LAST-V2X利用大型语言模型（LLMs）将自然语言测试描述转换为基于道路几何、V2X通信语义和车辆行为的可执行场景。该框架集成了物理交通模拟、空间感知通信建模和消息级故障注入，以评估信息降级如何影响车辆决策。

🔬 方法详解

问题定义：本文旨在解决V2X安全应用中由于通信故障导致的安全问题。现有方法在测试这些故障时，难以同时考虑交通交互和通信条件的影响。

核心思路：LAST-V2X的核心思路是利用大型语言模型将自然语言描述转换为可执行的测试场景，从而实现自动化的场景合成和安全测试。这样的设计使得测试过程更加灵活和高效。

技术框架：LAST-V2X的整体架构包括自然语言处理模块、场景生成模块、物理交通模拟模块和故障注入模块。通过这些模块的协同工作，能够生成符合实际交通情况的测试场景。

关键创新：LAST-V2X的主要创新在于其语言驱动的自适应场景合成能力，以及通过匹配执行来验证故障原因的机制。这与传统方法的静态测试方式形成了鲜明对比。

关键设计：在设计上，LAST-V2X采用了参数搜索和LLM自我反思的执行引导优化机制，以识别无效的测试配置。此外，框架中还引入了空间感知通信建模和消息级故障注入技术，以增强测试的真实性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，LAST-V2X在多种CARLA环境和V2X安全应用中，成功生成了可靠的测试场景，并能够有效区分通信诱发的故障与其他安全违规。相较于基线方法，故障发现率显著提高，验证了其自适应优化的有效性。

🎯 应用场景

LAST-V2X的研究成果具有广泛的应用潜力，尤其在自动驾驶和智能交通系统中，可以用于提升V2X通信的安全性和可靠性。通过系统化的测试框架，能够更好地识别和解决通信故障，进而提高整体交通安全水平。未来，该框架还可以扩展到其他类型的智能交通应用中，推动智能交通技术的发展。

📄 摘要（原文）

Vehicle-to-everything (V2X) communication enables connected vehicles to make safety-critical decisions, but delayed, missing, or incorrect information can compromise driving safety. Systematically testing such failures is challenging because traffic interactions, communication conditions, and application responses must be jointly configured to produce meaningful scenarios. This paper presents LAST-V2X, a language-driven, adaptive framework for automated scenario synthesis and safety testing of V2X applications. LAST-V2X leverages large language models (LLMs) to translate natural-language test descriptions into executable scenarios grounded in roadway geometry, V2X communication semantics, and vehicle behavior. The framework integrates physical traffic simulation with spatially aware communication modeling and message-level fault injection to evaluate how information degradation affects vehicle decisions. To establish whether an observed safety failure is caused by communication rather than the underlying traffic conditions, LAST-V2X employs matched executions under degraded and ground-truth information. Furthermore, an execution-guided refinement mechanism combines parameter search and LLM self-reflection to identify ineffective test configurations, improve scenario effectiveness, and produce minimal reproducible failure cases. Experiments across diverse CARLA environments and V2X safety applications demonstrate the framework's ability to generate reliable scenarios, distinguish communication-induced failures from unrelated safety violations, and substantially improve failure discovery through adaptive refinement. These results establish LAST-V2X as a systematic approach to language-driven, causally verified, and adaptive safety testing for connected vehicle systems.