通过混合模拟器和现实世界的数据，SimGen 模型能够学习生成具有多样性的驾驶场景，通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突，并在保持可控性的基础上，获得卓越的生成质量和多样性。

Jun, 2024

本文提出了一个名为 SceneGen 的神经自回归模型，可自动地生成真实交通场景，该模型可用于训练和测试自动驾驶车辆的感知模型。

Jan, 2021

本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法，以优化智能车辆系统中的数据模拟，实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。

Aug, 2022

通过检索基增强的情境学习框架 RealGen，在交通场景生成领域中实现的灵活性和可控性，为生成自动驾驶车辆训练和评估的复杂行为启发了新的方向。

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

通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

Apr, 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

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

本文提出一种大规模神经渲染方法来合成自主驾驶场景 (READ)，通过各种采样方案，可以在 PC 上合成大规模驾驶场景。我们提出一个 ω 渲染网络来表示驾驶场景，该网络从稀疏点云中学习神经描述符。实验表明，我们的模型在大规模驾驶场景中表现良好，并可以缝合和编辑驾驶场景。

May, 2022

本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。

Mar, 2022