Safety-Critical Traffic Simulation with Guided Latent Diffusion Model

要約

安全性の高いトラフィックシミュレーションは、まれで挑戦的なシナリオの下で自律的な駆動システムを評価する上で重要な役割を果たします。
ただし、既存のアプローチは、物理的な妥当性を考慮していないため、非現実的なシナリオを生成し、低発電効率に悩まされています。
これらの制限に対処するために、身体的に現実的で敵対的な安全性の高いトラフィックシナリオを生成できる誘導潜水モデル（LDM）を提案します。
具体的には、我々のモデルはグラフベースのバリエーションオートエンコーダー（VAE）を採用して、計算効率を改善しながら複雑なマルチエージェント相互作用をキャプチャするコンパクトな潜在スペースを学習します。
この潜在空間内で、拡散モデルは除去プロセスを実行して現実的な軌跡を生成します。
制御可能で敵対的なシナリオ生成を可能にするために、拡散プロセスを促進し、敵対的で行動的に現実的な運転行動を生成するための拡散プロセスを促進する新しいガイダンス目標を紹介します。
さらに、生成されたシナリオの物理的妥当性をさらに強化するために、物理的な実現可能性チェックに基づいてサンプル選択モジュールを開発します。
ヌスセンデータセットでの広範な実験は、高レベルのリアリズムを維持しながら、既存のベースラインと比較して、この方法が優れた敵対的効果と生成効率を達成することを示しています。
私たちの仕事は、現実的な安全性クリティカルなシナリオシミュレーションのための効果的なツールを提供し、自律運転システムのより堅牢な評価への道を開いています。

要約(オリジナル)

Safety-critical traffic simulation plays a crucial role in evaluating autonomous driving systems under rare and challenging scenarios. However, existing approaches often generate unrealistic scenarios due to insufficient consideration of physical plausibility and suffer from low generation efficiency. To address these limitations, we propose a guided latent diffusion model (LDM) capable of generating physically realistic and adversarial safety-critical traffic scenarios. Specifically, our model employs a graph-based variational autoencoder (VAE) to learn a compact latent space that captures complex multi-agent interactions while improving computational efficiency. Within this latent space, the diffusion model performs the denoising process to produce realistic trajectories. To enable controllable and adversarial scenario generation, we introduce novel guidance objectives that drive the diffusion process toward producing adversarial and behaviorally realistic driving behaviors. Furthermore, we develop a sample selection module based on physical feasibility checks to further enhance the physical plausibility of the generated scenarios. Extensive experiments on the nuScenes dataset demonstrate that our method achieves superior adversarial effectiveness and generation efficiency compared to existing baselines while maintaining a high level of realism. Our work provides an effective tool for realistic safety-critical scenario simulation, paving the way for more robust evaluation of autonomous driving systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google