基于语言指导的场景级扩散交通模拟
该研究论文介绍了一种名为 LCTGen 的模型,它结合了大型语言模型和基于变压器的解码器架构,利用语言作为动态交通场景生成的监督来源,其在无条件和条件下的交通场景生成方面表现优于之前的研究,并且在现实感和保真度方面更好。
Jul, 2023
通过基于条件扩散的广义、基于点的可控交通场景生成框架 Dragtraffic,使用回归模型提供初始解决方案,并通过条件扩散模型的细化过程来确保多样性,引入用户自定义上下文以确保高可控性,实验证明 Dragtraffic 在真实驾驶数据集上的真实性、多样性和自由度方面优于现有方法。
Apr, 2024
评估自动驾驶车辆规划算法的性能需要模拟长尾交通场景。通过引入基于引导扩散模型的闭环模拟框架,我们提出一种新的方法来生成现实世界情景的安全关键场景,并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标,我们改善了道路进展,同时降低了碰撞和离道率,从而实现了这一目标。通过去噪过程中的对抗项,我们开发了一种模拟安全关键场景的新方法,使对抗性代理能够通过可行的操纵手段挑战规划器,同时场景中的所有代理均表现出反应灵敏和逼真的行为。我们通过使用 NuScenes 数据集的实证验证了我们的框架,证明了在现实性和可控性方面的改进。这些发现肯定了引导扩散模型为安全关键、互动式交通模拟提供了强大而通用的基础,进一步扩展了其在自动驾驶领域的实用性。请访问我们的项目页面(https URL)获取更多资源和演示。
Dec, 2023
自动驾驶车辆的安全验证方面,合成交通场景的自动创建是关键部分。本文提出了一种新颖的基于扩散的场景生成架构 ——Scenario Diffusion,可实现可控的场景生成。我们结合了潜在扩散、目标检测和轨迹回归,同时生成合成代理人的姿势、方向和轨迹的分布。为了对生成的场景进行额外控制,此分布以描述所需场景的地图和令牌组为条件。我们证明我们的方法具有足够的表达能力,能够建模多样的交通模式,并且适用于不同的地理区域。
Nov, 2023
提出了一种通过自然语言控制生成真实轨迹的方法,该方法可以生成交互式交通轨迹,并表现出比之前最先进方法更高的性能,通过多样的自然语言命令实现了对交互式交通轨迹的更逼真、可控的生成。
May, 2024
本文描述了一种基于学习的交通场景生成方法,旨在模拟自动驾驶汽车的感知系统输出。通过在传输中聚合物体检测,我们的 “场景扩散” 系统直接创建真实而物理上可行的代理离散边界框组合。我们展示了我们的场景生成模型能够适应美国不同地区,从而产生捕捉每个地区细节的场景。
May, 2023
在本研究中,我们提出了 ChatTraffic,这是一个将文本转化为交通场景的扩散模型,通过结合生成模型和描述交通系统的文本,解决了交通预测方法在异常事件敏感性和长期预测性能方面的挑战。通过结合图卷积网络和扩散模型以提取交通数据的空间相关性,并构建了一个大型的文本 - 交通数据集,实验证明 ChatTraffic 能够从文本生成逼真的交通场景。
Nov, 2023
通过离散序列建模方法,我们研究了自动驾驶开发中模拟基于记录驾驶日志的动态驾驶场景的挑战。使用简单的数据驱动分词方案,将轨迹离散化到厘米级分辨率,并采用类似 GPT 模型的编码器 - 解码器来建模车辆、行人和骑车人在驾驶场景中的互动。通过在模型中抽样场景,我们展示了该模型具有最先进的真实性,且在 Waymo Sim Agents Benchmark 上超越先前的工作,其中真实性值成功提高了 3.3%,与其他模型相比,互动度提高了 9.9%。我们还在完全自动驾驶和部分自动驾驶环境中分析了我们的建模选择,并展示了我们的模型学到的表示可以快速适用于改进 nuScenes 的性能。此外,我们还对模型的参数数量和数据集规模进行了可扩展性评估,并利用模型得出的密度估计量化了上下文长度和时间间隔内交互对于交通建模任务的重要性。
Dec, 2023