SceneStreamer：基于下一个token组预测的连续场景生成
机器人学
2026-03-04 v2 计算机视觉与模式识别
摘要
真实且互动式的交通仿真对于训练和评估自动驾驶系统至关重要。然而，大多数现有数据驱动仿真方法依赖静态初始化或日志回放数据，限制了其建模动态、长期视角场景并支持演化代理群体的能力。我们提出SceneStreamer，一个统一的自回归框架用于连续场景生成，将整个场景表示为一序列token，包括交通灯信号、代理状态和运动向量，逐步生成。这种设计使SceneStreamer能够在无限时段内持续引入和 retire代理，支持真实的长期仿真。实验表明，SceneStreamer产生的场景具有真实性、多样性和适应性。此外，在SceneStreamer生成的场景中训练的强化学习策略在鲁棒性和泛化性方面表现出优越性能，验证了其作为高保真仿真环境为自动驾驶的实用性。更多信息请访问https://vail-ucla.github.io/scenestreamer/。
关键词
引用
@article{arxiv.2506.23316,
title = {SceneStreamer: Continuous Scenario Generation as Next Token Group Prediction},
author = {Zhenghao Peng and Yuxin Liu and Bolei Zhou},
journal= {arXiv preprint arXiv:2506.23316},
year = {2026}
}