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

要約

データ駆動型シミュレーションは、自動運転アルゴリズムのトレーニングとテストに適した方法となっています。
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 モデルのコンテキストでのモデルベースの強化学習でも検討されています。
この研究では、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します。
私たちは、動作予測とエンドツーエンドの運転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 を紹介し、TrafficBots に基づいて自動運転車の計画モジュールに合わせて調整された世界モデルを取得します。
既存のデータ駆動型交通シミュレーターには、構成可能性と拡張性が欠けています。
構成可能な動作を生成するために、エージェントごとに、ナビゲーション情報として目的地と、動作スタイルを指定する時間不変の潜在的な性格を導入します。
スケーラビリティを向上させるために、角度の位置エンコーディングの新しいスキームを提示します。これにより、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し、ドット積アテンションに基づくアーキテクチャを使用できるようになります。
その結果、密集した都市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できます。
Waymo オープン モーション データセットの実験では、TrafficBot が現実的なマルチエージェントの動作をシミュレートし、モーション予測タスクで優れたパフォーマンスを達成できることが示されています。

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, Google