Revisit Mixture Models for Multi-Agent Simulation: Experimental Study within a Unified Framework

要約

シミュレーションは、現実的なマルチエージェント行動の生成が重要な側面である自律運転システムの評価において重要な役割を果たします。
マルチエージェントシミュレーションでは、主な課題には、行動のマルチモダリティと閉ループ分布シフトが含まれます。
この研究では、マルチモーダルエージェントの動作を生成するための混合モデルを再検討します。これは、連続混合モデルやGPT様の離散モデルなどの主流の方法をカバーできます。
さらに、分布シフトを緩和するために混合モデルに合わせた閉ループサンプル生成アプローチを導入します。
Unified Mixture Model〜（UNIMM）フレームワーク内で、モデルとデータの両方の視点から重要な構成を認識します。
ポジティブコンポーネントマッチング、連続回帰、予測ホライズン、コンポーネントの数など、さまざまなモデル構成の体系的な調査を実施します。
さらに、データ構成の調査では、現実的なシミュレーションの達成における閉ループサンプルの極めて重要な役割を強調しています。
より広範な混合モデルにわたって閉ループサンプルの利点を拡張するために、ショートカットの学習とポリシーの学習問題にさらに対処します。
私たちの探求からの洞察を活用して、離散、アンカーなし、アンカーベースのモデルを含むUNIMMフレームワーク内で提案されている明確なバリアントは、すべてWOSACベンチマークで最先端のパフォーマンスを実現します。

要約(オリジナル)

Simulation plays a crucial role in assessing autonomous driving systems, where the generation of realistic multi-agent behaviors is a key aspect. In multi-agent simulation, the primary challenges include behavioral multimodality and closed-loop distributional shifts. In this study, we revisit mixture models for generating multimodal agent behaviors, which can cover the mainstream methods including continuous mixture models and GPT-like discrete models. Furthermore, we introduce a closed-loop sample generation approach tailored for mixture models to mitigate distributional shifts. Within the unified mixture model~(UniMM) framework, we recognize critical configurations from both model and data perspectives. We conduct a systematic examination of various model configurations, including positive component matching, continuous regression, prediction horizon, and the number of components. Moreover, our investigation into the data configuration highlights the pivotal role of closed-loop samples in achieving realistic simulations. To extend the benefits of closed-loop samples across a broader range of mixture models, we further address the shortcut learning and off-policy learning issues. Leveraging insights from our exploration, the distinct variants proposed within the UniMM framework, including discrete, anchor-free, and anchor-based models, all achieve state-of-the-art performance on the WOSAC benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google