滚动扩散用于交通场景仿真
机器学习
2025-02-14 v1 机器人学
摘要
实现真实的驾驶仿真要求 NPC 不仅要模仿自然的驾驶行为，还要反应于其他模拟 agent 的行为。近期发展的基于扩散的情景生成方法专注于通过联合建模场景中所有 agent 的运动来创建多样且逼真的交通情景。然而，这些交通情景在 agent 运动偏离其建模轨迹时不会产生反应。例如，ego-agent 可以由沿用运动规划器控制。为了生成具有反应性的情景与联合场景模型相结合，模型必须基于新的观察在每个时间步骤重新生成情景，以 Model Predictive Control(MPC) 的方式进行。虽然该方法具有反应性，但由于每个仿真步骤都生成一个完整的可能未来，因此计算耗时。或者，可以利用自回归模型(AR)仅预测所有 NPC 的下一个步骤未来。虽然速度更快，但此方法缺乏高级规划能力。我们提出了一种滚动基于扩散的交通场景生成模型，通过同时预测下一步的未来以及部分加噪的更远未来步骤，兼具两者的优势。我们显示，此类模型相对于基于 AR 的扩散模型更高效，在反应性和计算效率之间实现了有益的折中。
引用
@article{arxiv.2502.09587,
title = {Rolling Ahead Diffusion for Traffic Scene Simulation},
author = {Yunpeng Liu and Matthew Niedoba and William Harvey and Adam Scibior and Berend Zwartsenberg and Frank Wood},
journal= {arXiv preprint arXiv:2502.09587},
year = {2025}
}
备注
Accepted to Workshop on Machine Learning for Autonomous Driving at AAAI 2025