Causal Composition Diffusion Model for Closed-loop Traffic Generation

要約

シミュレーションは、自動運転における安全性評価、特に複雑なインタラクティブな動作をキャプチャする場合に重要です。
ただし、ロングテール状況で現実的で制御可能な交通シナリオを生成することは依然として大きな課題です。
既存の生成モデルは、ユーザー定義の制御性と現実性の制約の間の矛盾する目的に悩まされており、安全性が重要な状況ではその傾向がさらに顕著になります。
この研究では、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。
まず、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制約付き最適化問題として定式化します。
次に、CCDiff は、因果構造を自動的に識別して拡散プロセスに直接注入することで、現実性を保ちながら制御性を最大化し、現実性と制御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、現実的でユーザーが好む軌道を生成する際に、最先端のアプローチよりも大幅に向上していることを実証しています。
私たちの結果は、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、オフロード率、FDE、快適性などの主要な指標に基づいて閉ループのパフォーマンスが向上していることを示しています。

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