TrafficGamer：用于安全关键场景的可靠和灵活的交通仿真与博弈论预言机

Aug, 2024

TrafficGamer：用于安全关键场景的可靠和灵活的交通仿真与博弈论预言机

TrafficGamer: Reliable and Flexible Traffic Simulation for Safety-Critical Scenarios with Game-Theoretic Oracles

Guanren Qiao, Guorui Quan, Jiawei Yu, Shujun Jia, Guiliang Liu

TL;DR本研究解决了自主驾驶汽车在安全关键交通场景中难以开发可靠驾驶策略的问题，尤其是由于这类场景在数据集中稀缺所造成的挑战。论文提出了TrafficGamer，一种将普通道路驾驶视为多智能体博弈的仿真工具，通过高保真度模拟和灵活的风险敏感约束配置来生成多种多智能体交通场景，能够有效捕捉安全关键场景的平衡状态。

Abstract

While modern Autonomous Vehicle (AV) systems can develop reliable driving policies under regular traffic conditions, they frequently struggle with safety-critical traffic scenarios. This difficulty primarily arises from the rarity of such scenarios in driving datasets and the complexities associated with predictive modeling among multiple vehicles. To suppor

发现论文，激发创造

自动驾驶车辆控制系统验证和确认的司机和车辆相互作用博弈模型

该论文介绍了一种基于博弈论的交通模型，该模型可以用于测试、比较和校准各种自主车辆决策和控制系统，并提供了一个交通仿真环境来优化自主车辆控制系统的参数。

Aug, 2016

自主车辆的分层博弈规划

本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法，通过将动态游戏分解为漫长的“战略”游戏和短期的“战术”游戏，在保证实时性的同时，能够量化自动车辆和人类司机影响彼此的能力和激励，实现更加丰富、安全和有效的自主驾驶行为，并且不依赖于完美理性预测，而是适用于非确定性人类决策的模型。

Oct, 2018

TrafficSim：学习模拟真实多智体行为

利用TrafficSim模拟真实的自动驾驶系统中的多智能体交通模型，以更多样化的人类演示数据为基础，生成人类社交一致的行驶计划，生成更真实、更多样化的交通场景，可作为训练更好的运动规划员的有效数据增强。

Jan, 2021

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

利用学习到的概率车道图生成和解释边界案例

自主车辆安全验证的挑战在于不同于训练数据的安全关键情况，通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况，可以改善自主车辆的安全性。我们的方法基于历史交通数据，允许工程师生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。我们引入了概率车道图(PLGs)来描述有限的车道位置和方向，PLGs的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式，表示驾驶员对给定状态的响应行为，我们使用强化学习技术修改这个策略，生成逼真且可解释的边界情况，用于评估自主车辆的安全性。

Aug, 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

闭环中学习真实交通代理

使用闭环模拟学习方法 RTR，在模拟和真实数据集中训练交通仿真策略，以提高交通规则遵守性和仿真的真实性。

Nov, 2023

自动驾驶模拟器调查：分类、挑战和评估指标

该研究论文通过深入审查自动驾驶模拟器，对其发展历程进行三个阶段的分类，并通过功能将模拟器分为五个类别。论文还指出了模拟器面临的一些关键问题，并提供了改进和评估方法，以提高模拟器的效果。

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

CtRL-Sim: 反应性和可控驾驶代理的离线强化学习

在这项研究中，我们提出了一种名为CtRL-Sim的方法，它利用退化条件离线强化学习和物理增强的Nocturne模拟器，通过处理真实世界的驾驶数据来有效生成具有反应性和可控性的交通代理。我们展示了CtRL-Sim能够高效生成多样且逼真的安全关键场景，并提供对代理行为的精细控制。此外，我们还表明，通过用模型生成的模拟安全关键场景对模型进行微调可以增强这种可控性。

Mar, 2024