DriveGen：利用大模型迈向无限多样的交通场景

微观交通仿真已成为自动驾驶训练和测试的重要工具。尽管近期数据驱动方法推进了真实行为生成，但其学习仍主要依赖于单一的真实世界数据集，这限制了其多样性，从而阻碍了下游算法优化。在本文中，我们提出了 DriveGen，一种利用大模型生成更多样化交通的全新交通仿真框架，支持进一步的定制化设计。DriveGen 包含两个内部阶段：初始化阶段使用大型语言模型和检索技术生成地图和车辆资产；展开阶段利用视觉语言模型和特定设计的扩散规划器输出带有选定路点目标的轨迹。通过这一两阶段过程，DriveGen 充分利用大模型对驾驶行为的高级认知与推理，获得了超越数据集的更大多样性，同时保持了高真实感。为支持有效的下游优化，我们额外开发了 DriveGen-CS，这是一种自动长尾场景生成流水线，它将驾驶算法的失败作为大模型的额外提示知识，无需重新训练或微调。实验表明，与最先进的基线相比，我们生成的场景和长尾场景具有更优越的性能。下游实验进一步验证了 DriveGen 合成的交通为典型驾驶算法的性能提供了更好的优化，证明了我们框架的有效性。