diff --git a/critical/undergraduate/content/abstractzh.tex b/critical/undergraduate/content/abstractzh.tex
index 8c0560f..f445fa1 100644
--- a/critical/undergraduate/content/abstractzh.tex
+++ b/critical/undergraduate/content/abstractzh.tex
@@ -1,11 +1,10 @@
 %!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 自动化技术}
+\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}
 %\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。
 
-在智能驾驶系统的发展过程中，仿真场景的生成与优化是确保其安全性和可靠性的重要手段。本项目综述了智能驾驶危险仿真场景的生成和优化技术。首先，基于自然驾驶数据，识别并提取出具有代表性的危险驾驶场景，为仿真场景的构建提供了数据基础。其次，通过多维场景自动提取和融合方法，识别出典型的行车场景，如巡线、跟车、邻车切入等，并将其与动态驾驶场景进行融合，以生成更为复杂和真实的测试场景。此外，针对现有测试场景中危险场景数量不足的问题，提出了一种基于聚类分析和重要性采样的测试用例生成和增强方法，有效提高了危险场景的测试覆盖率和测试效率。最后，开发了一种自动化仿真测试平台，实现了测试场景的快速构建、仿真软件的联合调用以及结果分析与报告生成的全自动化执行。通过这些方法，能够显著提高智能驾驶系统在仿真环境中的安全测试效率，为智能驾驶技术的进一步发展提供了有力支持。
 
-
-\end{abstractzh}
\ No newline at end of file
+\end{abstractzh}