From natural language to physically valid traffic scenarios: A hybrid LLM-generative framework for CAV testing
0Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
2Pays d’affiliation déclarés
Rattachement africain : cn, ch. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- From natural language to physically valid traffic scenarios: A hybrid LLM-generative framework for CAV testing
- Date Crossref
- 01/11/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Southeast UniversityNanjing University of Posts and TelecommunicationsETH ZurichPurple Mountain Laboratories
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Autonomous Vehicle Technology and SafetySoftware Testing and Debugging TechniquesVehicular Ad Hoc Networks (VANETs)