Causal Composition Diffusion Model for Closed-loop Traffic Generation

要約

シミュレーションは、特に複雑なインタラクティブな動作をキャプチャする際に、自律運転における安全性評価に重要です。
ただし、長期尾の状況で現実的で制御可能なトラフィックシナリオを生成することは依然として重要な課題です。
既存の生成モデルは、ユーザー定義の制御可能性とリアリズムの制約との間に矛盾する目的に悩まされており、これは安全性が批判的なコンテキストで増幅されます。
この作業では、これらの課題に対処するための構造誘導拡散フレームワークである因果組成拡散モデル（CCDIFF）を紹介します。
最初に、制約可能な最適化問題として、制御可能で現実的な閉ループシミュレーションの学習を定式化します。
次に、CCDIFFは制御可能性を最大化しながら、因果構造を拡散プロセスに直接識別および注入することにより、リアリズムを順守し、リアリズムと制御可能性の両方を強化するための構造化されたガイダンスを提供します。
ベンチマークデータセットと閉ループシミュレーターでの厳密な評価を通じて、CCDIFFは、現実的でユーザープロファーの軌跡を生成する際の最先端のアプローチに対する大幅な利益を示しています。
我々の結果は、因果構造の抽出と活用におけるCCDIFFの有効性を示しており、衝突率、オフロードレート、FDE、快適さなどの主要なメトリックに基づいて閉ループのパフォーマンスの向上を示しています。

要約(オリジナル)

Simulation is critical for safety evaluation in autonomous driving, particularly in capturing complex interactive behaviors. However, generating realistic and controllable traffic scenarios in long-tail situations remains a significant challenge. Existing generative models suffer from the conflicting objective between user-defined controllability and realism constraints, which is amplified in safety-critical contexts. In this work, we introduce the Causal Compositional Diffusion Model (CCDiff), a structure-guided diffusion framework to address these challenges. We first formulate the learning of controllable and realistic closed-loop simulation as a constrained optimization problem. Then, CCDiff maximizes controllability while adhering to realism by automatically identifying and injecting causal structures directly into the diffusion process, providing structured guidance to enhance both realism and controllability. Through rigorous evaluations on benchmark datasets and in a closed-loop simulator, CCDiff demonstrates substantial gains over state-of-the-art approaches in generating realistic and user-preferred trajectories. Our results show CCDiff’s effectiveness in extracting and leveraging causal structures, showing improved closed-loop performance based on key metrics such as collision rate, off-road rate, FDE, and comfort.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google