TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction

要約

データドリブンシミュレーションは、自律走行アルゴリズムの訓練やテストに有利な方法となっている。実際の環境を学習済みシミュレータに置き換えるというアイデアは、ワールドモデルの文脈でモデルベースの強化学習でも検討されている。本研究では、データ駆動型の交通シミュレーションが、世界モデルとして定式化できることを示す。運動予測とエンド・ツー・エンド走行に基づいて構築されたマルチエージェントポリシーであるTrafficBotsを提示し、TrafficBotsに基づいて、自律走行車の計画モジュールに合わせたワールドモデルを獲得する。既存のデータ駆動型交通シミュレータは、設定可能性とスケーラビリティに欠けている。設定可能な行動を生成するために、各エージェントに目的地をナビゲーション情報として導入し、行動様式を指定する時間不変の潜在的な性格を導入する。また、スケーラビリティを向上させるために、角度の位置符号化の新しいスキームを提示し、すべてのエージェントが同じベクトル化されたコンテキストを共有できるようにし、ドットプロダクトアテンションに基づくアーキテクチャを使用する。その結果、密集した都市のシナリオで見られるすべての交通参加者をシミュレートすることができます。Waymoオープンモーションデータセットを用いた実験では、TrafficBotsが現実的なマルチエージェントの挙動をシミュレートでき、運動予測タスクで良好なパフォーマンスを達成できることを示しています。

要約(オリジナル)

Data-driven simulation has become a favorable way to train and test autonomous driving algorithms. The idea of replacing the actual environment with a learned simulator has also been explored in model-based reinforcement learning in the context of world models. In this work, we show data-driven traffic simulation can be formulated as a world model. We present TrafficBots, a multi-agent policy built upon motion prediction and end-to-end driving, and based on TrafficBots we obtain a world model tailored for the planning module of autonomous vehicles. Existing data-driven traffic simulators are lacking configurability and scalability. To generate configurable behaviors, for each agent we introduce a destination as navigational information, and a time-invariant latent personality that specifies the behavioral style. To improve the scalability, we present a new scheme of positional encoding for angles, allowing all agents to share the same vectorized context and the use of an architecture based on dot-product attention. As a result, we can simulate all traffic participants seen in dense urban scenarios. Experiments on the Waymo open motion dataset show TrafficBots can simulate realistic multi-agent behaviors and achieve good performance on the motion prediction task.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL