Rolling Ahead Diffusion for Traffic Scene Simulation

要約

現実的な運転シミュレーションでは、NPCが自然な駆動行動を模倣するだけでなく、他のシミュレートされたエージェントの挙動にも反応する必要があります。
拡散ベースのシナリオ生成の最近の開発は、シーン内のすべてのエージェントの動きを共同でモデル化することにより、多様で現実的なトラフィックシナリオを作成することに焦点を当てています。
ただし、これらのトラフィックシナリオは、エージェントの動きがモデル化された軌跡から逸脱している場合に反応しません。
たとえば、エゴエージェントは、モーションプランナーに沿ったスタンドによって制御できます。
共同シナリオモデルを使用してリアクティブシナリオを作成するには、モデルは、モデル予測制御（MPC）ファッションの新しい観測に基づいて、各タイムステップでシナリオを再生する必要があります。
反応的ですが、この方法は時間がかかります。すべてのNPCの1つの完全な将来がシミュレーションステップごとに生成されるためです。
あるいは、自己回帰モデル（AR）を利用して、すべてのNPCの近い段階の将来のみを予測することができます。
より速いですが、この方法には高度な計画の能力がありません。
次のステップの将来を予測し、同時に部分的に将来のステップを同時に予測することにより、両方の方法の利点を混同するローリング拡散ベースのトラフィックシーン生成モデルを提示します。
このようなモデルは、拡散モデルベースのARと比較して効率的であり、反応性と計算効率の間の有益な妥協を達成していることを示しています。

要約(オリジナル)

Realistic driving simulation requires that NPCs not only mimic natural driving behaviors but also react to the behavior of other simulated agents. Recent developments in diffusion-based scenario generation focus on creating diverse and realistic traffic scenarios by jointly modelling the motion of all the agents in the scene. However, these traffic scenarios do not react when the motion of agents deviates from their modelled trajectories. For example, the ego-agent can be controlled by a stand along motion planner. To produce reactive scenarios with joint scenario models, the model must regenerate the scenario at each timestep based on new observations in a Model Predictive Control (MPC) fashion. Although reactive, this method is time-consuming, as one complete possible future for all NPCs is generated per simulation step. Alternatively, one can utilize an autoregressive model (AR) to predict only the immediate next-step future for all NPCs. Although faster, this method lacks the capability for advanced planning. We present a rolling diffusion based traffic scene generation model which mixes the benefits of both methods by predicting the next step future and simultaneously predicting partially noised further future steps at the same time. We show that such model is efficient compared to diffusion model based AR, achieving a beneficial compromise between reactivity and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google