Apr, 2024

Dragtraffic: 一个面向非专家的交互式和基于点的可控交通场景生成框架

PDF
TL;DR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。
发现论文，激发创造
  • 条件引导扩散控制交通仿真

    本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

    Oct, 2022

  • 基于语言指导的场景级扩散交通模拟

    提出了一种 CTG++ 基于学习的交通流模型，它可以通过语言指令进行指导，从而解决了交通模型控制需要领域专业知识，对实践者使用困难等问题，通过经过广泛的评估，我们展示了该方法在生成实际且符合查询要求的交通仿真方面的有效性。

    Jun, 2023

  • 情景扩散：可控驾驶情景生成与扩散

    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

  • 可控的安全关键闭环交通仿真：通过导向扩散

    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

  • SceneGen: 学习生成逼真交通场景

    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

  • 语言驱动的交互式交通轨迹生成

    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

  • 基于扩散的环境感知轨迹预测

    基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

    Mar, 2024

  • 基于扩散的运动行为预测的可控多样性采样

    自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。

    Feb, 2024

  • 利用扩散生成驾驶场景

    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

  • 基于数据驱动的交通仿真：综述

    自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析，探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。

    Oct, 2023