面向自动驾驶的智能场景生成与仿真验证研究

项目962 · Xi’an Jiaotong-Liverpool University · School of Advanced Technology

所在国家或地区: 中国
申请截止日期: 滚动申请，当前是否仍招请核对原始公告。
资助信息: 奖学金为期 3 年，覆盖三年学费，每年对应人民币 99,000 元；另提供最高人民币 16,500 元的国际会议经费，并可能按工作表现发放 RA/TA 补贴。

申请工作台

保存项目，围绕当前机会准备申请。截止日期和资格请以原始公告为准。

登录后保存项目或使用申请工具

阅读项目调研与申请判断

项目介绍

项目概览

该博士项目设在 Xi’an Jiaotong-Liverpool University 的 School of Advanced Technology，围绕自动驾驶测试中的场景生成与验证展开。

项目试图解决真实感不足、场景多样性不够以及跨地区泛化能力弱等问题。

研究将结合基础模型、生成式 AI、世界模型和数字孪生技术，面向复杂交通环境构建可迁移的测试场景生成方法。

公开信息同时给出了 3 年资助、学费覆盖、国际会议经费与导师团队安排，适合希望做智能交通和自动驾驶安全验证的申请者。

项目详情

自动驾驶系统要真正投入使用，必须在尽可能多样且复杂的交通环境中接受系统性测试。项目介绍指出，现有的场景生成方法往往面临三类问题：一是生成结果不够真实，二是场景覆盖不够丰富，三是从一个地区迁移到另一个地区时泛化能力不足。这个博士课题的核心，就是围绕“如何自动生成足够真实、足够多样、足够关键的测试场景”展开研究，并进一步探索这些场景如何在不同城市、不同道路网络和不同交通生态之间实现迁移与复用。

方法上，项目明确提出将利用基础模型、生成式 AI、世界模型和数字孪生技术。研究思路不是简单拼接工具，而是从真实交通数据中学习复杂交通环境的时空演化规律，再据此自动生成适合自动驾驶测试的场景。项目希望生成的不只是一般性的交通片段，而是能够突出风险点、边界条件和关键交互的测试场景，从而支撑更有效的安全验证、性能评估和持续迭代开发。

项目还强调跨域知识转移。具体来说，研究会关注不同城市、不同道路结构和不同交通系统之间的共性与差异，进而寻找场景从一个域适配到另一个域的方法。这意味着课题不仅关心单一数据集上的生成效果，还关心生成模型在真实应用中的可复用性和可扩展性。若方法成熟，最终有望形成一套更通用的自动驾驶测试框架，为后续安全验证流程提供更系统的支撑。研究过程中还需要对生成结果进行多轮仿真回放、误差评估和场景筛选，确保这些场景不仅“能生成”，也“能验证”。

导师与团队方面，项目给出了明确的指导安排。首席导师为 Dr Dongyao Jia，联合导师包括 Dr Along Jin、Dr Meng Fang 和 Dr Haitao He。公开信息还说明，奖学金获得者多数研究工作将主要在苏州的 XJTLU 完成，但如果项目需要，可申请前往 University of Liverpool 进行短期研究访问。换言之，这是一项带有中英协同背景的博士项目，研究实施地点和学位授予安排都已经写明。

申请要点

学历要求：申请者需具备硕士学位且成绩达到 Merit，或具备一等或二等一荣誉学士学位；在某些学科中，特别优秀的本科申请者也可能被个别考虑。
英语要求：如果母语不是英语，需提供 IELTS 6.5 或同等成绩，并证明口语和写作能力良好。
申请资格：项目面向所有符合条件的申请者，不限国籍。
学位与地点：学生成功完成项目后，将获 University of Liverpool 博士学位；大部分研究工作预计在苏州完成，可按需申请去 Liverpool 短访。
资助覆盖：奖学金为期 3 年，覆盖三年学费，每年学费对应人民币 99,000 元；另提供最高人民币 16,500 元的国际会议参与经费，并可能根据工作表现发放 RA/TA 补贴。
申请材料：CV、两封正式推荐信、个人陈述、英语语言成绩证明、完整中英文成绩单、完整中英文学历证明、硕士论文 PDF 或同等写作样本，以及已有的评审报告。
申请方式：初审材料需邮件发送给主导师，邮件主题需写明博士项目标题。
时间安排：公开信息未给出固定截止日期，说明该项目更接近持续接收、分批审核的安排。

需要进一步确认

RA/TA 补贴的具体发放标准与工作量对应关系未明确说明。
公开信息未单列统一截止日期，因此申请窗口是否会提前关闭需要继续确认。
短期访问 University of Liverpool 的批准条件和时长未进一步展开。

查看收录来源与申请要求

收录来源可能是学校或招聘平台；正式申请入口及最新要求请核对公告与下方报告中的官方来源。

项目深度调研报告

报告生成记录：2026-08-08。生成日期不代表招聘方确认项目仍开放。

资料更新记录：2026-08-08。申请前请再次核对原始公告。

PhD 项目深度调研报告：面向自动驾驶的智能场景生成与仿真验证

申请判断

推荐结论：具备吸引力，但存在实质性不确定性。

这是一个围绕自动驾驶场景生成、仿真验证、world models、digital twins 和智能交通系统的博士课题，方向本身连贯且具有现实需求。主导师信号较强：Dr Dongyao Jia 的 XJTLU 简介将 connected and automated driving、intelligent transportation systems、traffic modelling 和 digital-twin-enabled transportation 列为核心研究领域，他近期论文也与该项目的技术重心高度相关。更广泛的导师团队还覆盖网络/分布式机器学习、AI agents 以及交通 AI 仿真等方向。

主要问题在于该具体岗位的证据质量。此次调研能找到 XJTLU 博士招生、奖学金、项目结构、费用、导师简介以及 Dr Jia 相关带资助项目的较强官方证据，但没有找到与这一精确项目标题完全对应的官方 XJTLU 页面或 PDF。因此，这个项目的精确题目、四位导师组合以及项目级资助细节，现阶段仍应视为来自项目介绍的证据，需要由主导师进一步确认。

资助结构本身有价值，但如果没有明确生活津贴，整体上很可能并不完整。项目介绍写明三年学费覆盖、最高 RMB 16,500 的会议经费，以及与工作表现相关的 RA/TA 补贴。与此同时，XJTLU 给出的苏州生活成本示例约为每月 RMB 3,700 至 RMB 9,600，因此仅有学费覆盖并不能替代生活成本规划。

截至 2026 年 8 月 8 日 的截止与资格提醒如下：XJTLU 官方页面说明博士申请全年受理，带资助项目通常开放至招满为止，但申请页面同时列出了入学规划时间点。8 月 8 日之后可见的下一条带资助项目规划截止时间是 2026 年 10 月 30 日，对应 2027 年 3 月 1 日 入学。该岗位仍可能在此之前因名额填满而关闭。国内中国申请者和国际申请者在 XJTLU 博士招生页面上都有明确材料路径；项目介绍也写明该岗位对所有符合条件的候选人开放，不限国籍，但项目层面的资格条件仍应通过邮件再次确认。

研究方向与领域前景

领域动向

这一方向的总体前景是积极的。项目介绍瞄准了一个真实瓶颈：自动驾驶系统需要大量、多样、真实且与安全高度相关的测试场景，但真实世界测试成本高，且罕见边缘案例难以捕捉。因此，场景生成、world models 和 digital twins 已不只是研究新颖性问题，也与安全验证直接相关。

外部证据支持这一判断。IEEE 的 World Models for Autonomous Driving 综述将 world models 视为自动驾驶未来事件预测与决策支持的重要方向。UNECE 的 ADS safety requirements and validation guidance 表明安全评估与验证方法已成为监管优先事项。中国的 GB/T 47025-2026 也说明自动驾驶功能仿真测试方法正在成为活跃的国家标准方向。McKinsey 2026 年关于 autonomous driving in the age of generative AI 的报告同样强调，安全保证、算力、数据和仿真密集型验证是 ADAS/AD 的关键挑战。

潜在研究角度

较高价值的研究角度包括：

构建时空交通 world model，在道路拓扑、交通规则、交互类型和风险级别等条件下生成未来轨迹或场景状态。
研究跨城市、跨域迁移方法，使场景生成能够在不同交通生态之间复用，同时尽量不损失真实感。
做 criticality-aware generation，使生成场景不仅看起来合理，而且能够真正压力测试 perception、prediction、planning 或 control 模块。
构建混合式 digital-twin 系统，把真实交通数据、交通流理论和生成模型结合起来。
设计用于衡量真实感、多样性、覆盖范围、安全相关性以及 simulation-to-real transfer 的评估指标。

项目应避免沦为一个过于宽泛的“用生成式 AI 做自动驾驶”题目。更强的版本应在第一年确认阶段之前就明确：一个主要生成目标、一个仿真器栈、一到两个数据集，以及可执行的验证指标。

职业与市场前景

这一方向的技能在自动驾驶验证、仿真工程、交通 AI、智能交通系统、digital twins、机器人、研究工程和安全保证等岗位上都有较强相关性。更关键的就业信号并不只是“自动驾驶仍在增长”，而是监管与行业来源越来越强调验证、场景测试、数据、算力和安全证据，这些正是严谨博士训练可以沉淀技术资本的地方。

不过市场风险也真实存在。自动驾驶商业化时间线并不均衡，部分私营部门岗位需要生产级软件、系统工程和 safety-case 能力，而不仅仅是学术建模。因此，申请者更适合建立一个兼具可发表方法、可复现代码、仿真集成能力和可测验证结果的作品集。

学校、学科与培养

该博士大概率归属于 XJTLU 的 Computer Science and Software Engineering PhD 路线。XJTLU 将这一项目描述为与 University of Liverpool 的战略合作：学生主要在 XJTLU 开展研究，由导师团队指导，并在完成要求后获得 University of Liverpool 颁发的学位。项目页面还说明，全日制博士通常包含三年研究和一年的论文写作期，并配有会议经费以及可能的 Liverpool 研究访问机会。

学院层面的环境与研究主题是匹配的。XJTLU 的 School of Advanced Technology 覆盖 communications/networking、computing、electrical/electronic engineering、intelligent science 以及 mechatronics/robotics 等方向，并列出 Computer Science and Software Engineering 与 Electrical and Electronic Engineering 两个博士项目。这是一个合理的机构落点，适合把交通数据、仿真、AI 模型、网络和自动驾驶系统结合起来的研究。

如果只看综合排名，学校信号属于中等，但对该项目的细分方向来说并不弱。THE 将 XJTLU 列为 2026 年全球 601-800 区间、计算机科学 501-600 区间；QS 将 XJTLU 列为 2027 年世界排名的 1001-1200 区间。ShanghaiRanking 给出的学科证据更强：XJTLU 在 ARWU 总榜处于 801-900 区间，而 2025 年学科区间包括 Transportation Science & Technology 101-150 以及 Computer Science & Engineering 151-200。由于学生最终获得的是 Liverpool 学位，University of Liverpool 自身的排名信号也相关；THE 将 Liverpool 列为 2026 年全球第 143 位。

整体判断是：学校综合排名中等，但应用交通/计算机科学的学科信号以及 Liverpool 学位授予，使这一机会比单看 QS 标题更有吸引力。

导师与实验室评估

导师研究方向

Dr Dongyao Jia 是最强的证据锚点。他的 XJTLU 研究简介将其列为 Department of Communications and Networking 的 Senior Associate Professor，并说明其主要研究是将 ICT 技术应用于 connected and automated driving 和 intelligent transport systems，重点包括 vehicular networks、intelligent traffic-flow modelling、cooperative driving、transport big-data analytics 以及 digital-twin-enabled transportation。同一页面还列出了 UAV 与 vehicle-road collaboration、hybrid-twin cooperative driving 以及 mixed-traffic digital-twin prototyping 等近期项目。

Dr Along Jin 补充了 XJTLU 侧在 cloud computing、computer networks、distributed systems 和 machine learning 方面的能力。如果项目需要可扩展的仿真流水线、V2X 通信建模、数据管道或分布式训练，这一组合是有价值的。University of Liverpool 的 Dr Meng Fang 则补充了 AI 与 intelligent-agent 方向的能力；其官方 Liverpool 简介将他列在 Artificial Intelligence 方向，个人页面描述的工作覆盖 reinforcement learning、NLP、responsible AI 和 embodied agents。Loughborough 的 Dr Haitao He 也高度相关：Loughborough 将他列为 Transport and AI 的 Reader、UKRI Future Leaders Fellow 以及 Transport AI Innovation Centre 的 Director，专长覆盖 simulation、machine learning 和 digital twinning，用于场景测试与优化。

近期重要论文

近期发表足以支撑一份标准调研报告，而且与项目主题高度相邻。

2026 年，Dr Jia 合著 A joint topology-data fusion graph network for robust traffic speed prediction with data anomalism，发表于 Information Sciences。其贡献是一个图融合与异常校正方法，用于更稳健的时空交通速度预测。相关性在于，它支持项目从存在噪声的真实交通数据中学习交通演化模式。
2026 年，Dr Jia 合著 A novel hybrid macroscopic fundamental diagram-informed deep learning method for lane-level traffic prediction，发表于 Information Fusion。相关性在于，车道级交通预测与自动驾驶场景的真实感和决策语境建模高度接近。
2026 年，Dr Jia 合著 Extending car-following models to multi-lane traffic through Anticipation-Aware dynamic graph networks，发表于 Transportation Research Part C: Emerging Technologies。相关性在于，car-following 与多车道交互建模天然就是关键交通场景生成的一部分。
2025 年，Dr Jia 合著 A knowledge-informed deep learning paradigm for generalizable and stability-optimized car-following models，发表于 Communications in Transportation Research。相关性在于，它直接触及模型泛化、LLM 蒸馏知识、交通稳定性以及自动驾驶部署可靠性。

需要注意的是，这些论文更强于交通预测、交通流建模和 car-following，而不是端到端的生成式场景合成。这并非致命缺口，但说明申请者应当追问：项目将如何从预测/建模过渡到可控的生成式场景与仿真验证。

实验室、资源与合作环境

合作环境看上去有吸引力，但项目层面仍不够具体。XJTLU 的项目和学院页面已经确认了英文培养环境、导师团队、会议经费以及可能的 Liverpool 访问。Dr Jia 的简介也显示其在 digital-twin transportation 与 cooperative driving 方向有活跃项目。Loughborough 的 safe and smart mobility simulation 页面，再加上 Dr He 的公开简介，也说明存在相关的外部仿真生态。

真正缺失的是执行层面的信息。公开来源没有说明这项具体博士将配备哪些数据集、仿真器、算力、产业合作方、学生工作空间或项目专属实验设施。在把这一机会视为充分去风险化之前，这些都应进一步核实。

资助、申请与生活成本

项目介绍写明，该 studentship 为期三年，前提是学生进展令人满意，覆盖三年学费，提供最高 RMB 16,500 的国际会议参与经费，并可能根据工作表现提供 RA/TA subsidy。XJTLU 官方 programme-fees page 确认全日制 PhD 学费为每年 RMB 99,000。官方 scholarship page 列出 full、fees-only 和 partial scholarship 类别，并说明带资助项目通常持续开放直至名额填满。

资助层面的关键顾虑是生活支持。当前能找到的项目级证据并没有保证固定月津贴。XJTLU 的 living-cost page 给出具有代表性的月预算：RMB 3,700、RMB 6,450 和 RMB 9,600，取决于生活方式。其 accommodation page 也显示，公寓租金、押金和水电费会带来明显的前期成本。即使按最低官方月预算估算，每年也约为 RMB 44,400，尚未计入押金、签证签发和不定期出行费用。

申请流程方面的证据相对清楚。XJTLU 的 doctoral how-to-apply page 说明博士申请全年受理，但同时给出了入学规划截止时间。以 2026 年 8 月 8 日为准，下一条列出的带资助项目截止时间是 2026 年 10 月 30 日，对应 2027 年 3 月 1 日入学。同页列出了中国学生与国际学生的材料路径，包括中国学生的学位验证/身份证明材料以及国际学生的护照材料。entry-requirement page 则给出了中国、英国、北美和其他地区的学术门槛与英语要求。

申请者匹配度与准备

最适合的人选

这个项目最适合具有计算机科学、AI、数据科学、智能交通、机器人、控制、电气/电子工程、仿真、应用数学或软件工程背景的申请者。较强的申请画像通常至少在以下两项上有明确证据：深度学习、graph neural networks、时空建模、生成模型、world models、traffic-flow theory、自动驾驶数据集、digital twins、V2X、CARLA、SUMO、OpenSCENARIO、可复现实验以及仿真评估。

需要谨慎的情况

如果申请者的生成式 AI 经验主要停留在 prompt 层面，而不是建模、编码和评估层面，就需要谨慎。如果申请者对“必须有稳定津贴”有刚性要求，也需要谨慎。对于希望在联系导师前就拿到完全明确项目定义的申请者，当前公开证据可能仍然偏薄，因为若干关键实现细节尚未披露。

需要补强的技能与证据

较有价值的准备证据包括：

一份简短的 proposal，包含一到两个可检验研究问题，例如跨城市场景迁移或 criticality-aware generation。
一个 Python/PyTorch 或等价技术栈的编码作品集。
处理 time-series、trajectory、robotics、traffic、sensor 或 simulation data 的经验。
对 traffic-flow 概念、图方法、不确定性、rare-event testing 和验证指标的熟悉度。
一份可复现的实验计划，说明如何衡量真实感、多样性、criticality 和泛化能力。

风险与待核实问题

高优先级问题

在计划申请日期时，这个确切项目标题是否仍然开放且尚未招满？
奖项是否包含保证性的月津贴，还是仅包含学费、会议经费和可能的 RA/TA subsidy？
国内中国申请者与国际申请者是否按相同资助条款评估？
如果在 2026 年 8 月 8 日之后申请，哪个入学日期更现实，2026 年 10 月 30 日的带资助项目截止是否适用？
会提供哪些数据集：真实交通轨迹、仿真日志、V2X 数据、事故/近失事件数据，还是合作方专有数据？
预期或提供哪些仿真工具：CARLA、SUMO、OpenSCENARIO、V2X simulators、digital-twin 平台，还是自研代码？
Dr Jia、Dr Jin、Dr Fang 与 Dr He 之间的导师分工是什么？

中优先级问题

第一年的预期里程碑和论文目标是什么？
学生是否能接触 Loughborough 的 Transport AI/仿真资源，还是 Loughborough 角色仅为顾问性质？
这项具体课题是否预计会有 University of Liverpool 访问，还是可选或不太可能？
由于学位由 University of Liverpool 授予，是否需要 ATAS 或其他审批？
Dr Jia 团队中哪些过往 PhD/MRes 项目或数据集与该题目最接近？

证据与来源

项目、资助、招生与费用