SLEDGE: Synthesizing Simulation Environments for Driving Agents with Generative Models

要約

SLEDGE は、現実世界の運転ログでトレーニングされた、車両動作計画のための最初の生成シミュレーターです。
そのコアコンポーネントは、エージェント境界ボックスとレーングラフを生成できる学習済みモデルです。
モデルの出力は、交通シミュレーションの初期状態として機能します。
SLEDGE 用に生成されるエンティティの接続性やシーンごとの変数数などの固有のプロパティにより、最新の生成モデルをこのタスクに単純に適用することは簡単ではありません。
したがって、既存のレーン グラフ表現の体系的な研究とともに、新しいラスターからベクターへのオートエンコーダー (RVAE) を導入します。
これは、エージェントとレーン グラフをラスター化された潜在マップ内の個別のチャネルにエンコードします。
これにより、レーン条件付きエージェントの生成と、拡散トランスフォーマーを使用したレーンとエージェントの組み合わせ生成の両方が容易になります。
SLEDGE で生成されたエンティティを使用すると、シミュレーションをより詳細に制御できるようになります。
アップサンプリングの方向転換や交通密度の増加。
さらに、SLEDGE は 500 メートルの長さのルートをサポートできます。これは、nuPlan などの既存のデータ駆動型シミュレーターには見られない機能です。
これは、モデルによって生成されたハード ルートと密なトラフィックでテストした場合、2023 nuPlan チャレンジの勝者である PDM の失敗率が 40% を超えていることからも明らかなように、計画アルゴリズムに新たな課題をもたらしています。
nuPlan と比較して、SLEDGE はセットアップに必要なストレージが 500 倍少ない (4GB 未満) ため、よりアクセスしやすいオプションとなり、この分野での将来の研究の民主化に役立ちます。

要約(オリジナル)

SLEDGE is the first generative simulator for vehicle motion planning trained on real-world driving logs. Its core component is a learned model that is able to generate agent bounding boxes and lane graphs. The model’s outputs serve as an initial state for traffic simulation. The unique properties of the entities to be generated for SLEDGE, such as their connectivity and variable count per scene, render the naive application of most modern generative models to this task non-trivial. Therefore, together with a systematic study of existing lane graph representations, we introduce a novel raster-to-vector autoencoder (RVAE). It encodes agents and the lane graph into distinct channels in a rasterized latent map. This facilitates both lane-conditioned agent generation and combined generation of lanes and agents with a Diffusion Transformer. Using generated entities in SLEDGE enables greater control over the simulation, e.g. upsampling turns or increasing traffic density. Further, SLEDGE can support 500m long routes, a capability not found in existing data-driven simulators like nuPlan. It presents new challenges for planning algorithms, evidenced by failure rates of over 40% for PDM, the winner of the 2023 nuPlan challenge, when tested on hard routes and dense traffic generated by our model. Compared to nuPlan, SLEDGE requires 500$\times$ less storage to set up (<4GB), making it a more accessible option and helping with democratizing future research in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google