Flow-ERD: Flow Matching consciente del tipo de agente con destilación regularizada por entropía para simulación de tráfico diversa

Resumen

Una simulación de tráfico realista y diversa es esencial para el desarrollo de la conducción autónoma. Sin embargo, los puntos de referencia predominantes recompensan principalmente el realismo, y los métodos recientes se han optimizado en consecuencia, dejando la diversidad poco explorada. Presentamos Flow-ERD, un simulador multiagente que persigue conjuntamente el realismo y la diversidad. Su columna vertebral, el Flujo de Correspondencia Consciente del Tipo de Agente (AFM, por sus siglas en inglés), combina la expresividad multimodal del flujo de correspondencia con la ejecución cinemática específica de cada tipo. Preserva una diversidad detallada mientras mantiene movimientos coherentes con cada tipo de agente. Una segunda etapa, la Destilación Regularizada por Entropía (ERD, por sus siglas en inglés), ajusta la distribución de despliegue en bucle cerrado con un objetivo de entropía regularizada y divergencia KL inversa. Esto mitiga el desplazamiento de covarianza mientras previene explícitamente el colapso en modos de alta densidad. Evaluamos Flow-ERD con una métrica de diversidad sin registros junto con las puntuaciones de realismo estándar. Flow-ERD ocupa el primer lugar en el banco de pruebas WOSAC y domina el frente de Pareto de realismo-diversidad entre los puntos de referencia reproducibles. Nuestra página del proyecto está disponible en https://seulbinhwang.github.io/flow-erd-project-page/{aquí}.

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}.