Flow-ERD: Agententypbewusstes Flow Matching mit entropieregulierter Destillation für vielfältige Verkehrssimulation

Zusammenfassung

Eine realistische und vielfältige Verkehrssimulation ist für die Entwicklung autonomer Fahrzeuge unerlässlich. Allerdings belohnen gängige Benchmarks vorrangig Realismus, und neuere Methoden wurden entsprechend optimiert, sodass die Diversität unzureichend erforscht bleibt. Wir stellen Flow-ERD vor, einen Multi-Agenten-Simulator, der Realismus und Diversität gemeinsam verfolgt. Sein Grundgerüst, das Agententyp-bewusste Flow Matching (AFM), koppelt die multimodale Ausdrucksfähigkeit des Flow Matching mit einer typspezifischen kinematischen Ausführung. Es bewahrt eine feinkörnige Diversität, während die Bewegungen konsistent mit jedem Agententyp bleiben. Eine zweite Stufe, die Entropie-regulierte Destillation (ERD), verfeinert die Closed-Loop-Rollout-Verteilung mittels eines entropie-regulierten Reverse-KL-Optimierungsziels. Dies mildert die Kovariatenverschiebung ab und verhindert explizit einen Kollaps auf hochdichte Modi. Wir evaluieren Flow-ERD mit einer log-freien Diversitätsmetrik sowie standardmäßigen Realismuswerten. Flow-ERD belegt den ersten Platz im WOSAC-Testbenchmark und dominiert die Pareto-Front von Realismus und Diversität unter reproduzierbaren Basislinien. Unsere Projektseite ist verfügbar unter https://seulbinhwang.github.io/flow-erd-project-page/{here}.

English

Realistic and diverse traffic simulation is essential to autonomous driving development. Yet prevailing benchmarks predominantly reward realism, and recent methods have optimized accordingly, leaving diversity underexplored. We introduce Flow-ERD, a multi-agent simulator that pursues realism and diversity jointly. Its backbone, Agent-Type Aware Flow Matching (AFM), couples flow matching's multi-modal expressiveness with type-specific kinematic execution. It preserves fine-grained diversity while keeping motions consistent with each agent type. A second stage, Entropy-Regularized Distillation (ERD), fine-tunes the closed-loop rollout distribution with an entropy-regularized reverse-KL objective. This mitigates covariate shift while explicitly preventing collapse onto high-density modes. We evaluate Flow-ERD with a log-free diversity metric alongside standard realism scores. Flow-ERD ranks first on the WOSAC test benchmark and dominates the realism--diversity Pareto front among reproducible baselines. Our project page is available https://seulbinhwang.github.io/flow-erd-project-page/{here}.