Versatile Scene-Consistent Traffic Scenario Generation as Optimization with Diffusion

要約

交通シミュレーションにおいて、現実的で制御可能なエージェント行動を生成することは、自律走行車の開発にとって極めて重要である。この問題は、将来の軌道を直接予測するか、あるいは逆最適制御を用いてコスト関数を推論することにより、実世界の走行データから模倣学習（IL）として定式化されることが多い。本論文では、ILと拡散に基づく生成モデリングとの間の概念的な接続を導き出し、複数の交通参加者との対話シナリオをシミュレートするための新しいフレームワークVersatile Behavior Diffusion (VBD)を導入する。我々のモデルは、シーンに整合したマルチエージェントのインタラクションを生成するだけでなく、マルチステップガイダンスと洗練によってシナリオ編集を可能にする。実験評価により、VBDはWaymo Sim Agentsベンチマークで最先端の性能を達成した。さらに、様々なアプリケーションに適応させることで、本モデルの汎用性を示します。VBDは、ゲーム理論的ソルバーと組み合わせることで、プライアに条件付けしたシナリオを生成したり、モデルベース最適化と統合したり、マージナル予測を融合してマルチモーダルなシーン整合シナリオをサンプリングしたり、セーフティクリティカルなシナリオを生成したりすることができます。

要約(オリジナル)

Generating realistic and controllable agent behaviors in traffic simulation is crucial for the development of autonomous vehicles. This problem is often formulated as imitation learning (IL) from real-world driving data by either directly predicting future trajectories or inferring cost functions with inverse optimal control. In this paper, we draw a conceptual connection between IL and diffusion-based generative modeling and introduce a novel framework Versatile Behavior Diffusion (VBD) to simulate interactive scenarios with multiple traffic participants. Our model not only generates scene-consistent multi-agent interactions but also enables scenario editing through multi-step guidance and refinement. Experimental evaluations show that VBD achieves state-of-the-art performance on the Waymo Sim Agents benchmark. In addition, we illustrate the versatility of our model by adapting it to various applications. VBD is capable of producing scenarios conditioning on priors, integrating with model-based optimization, sampling multi-modal scene-consistent scenarios by fusing marginal predictions, and generating safety-critical scenarios when combined with a game-theoretic solver.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL