Flow-ERD : Flow Matching conscient du type d'agent avec distillation régularisée par l'entropie pour une simulation de trafic diversifiée

Résumé

Une simulation de trafic réaliste et diversifiée est essentielle au développement de la conduite autonome. Pourtant, les références dominantes privilégient principalement le réalisme, et les méthodes récentes se sont optimisées en conséquence, laissant la diversité sous-explorée. Nous présentons Flow-ERD, un simulateur multi-agents qui poursuit conjointement réalisme et diversité. Son architecture de base, le *Flow Matching* conscient du type d'agent (AFM), couple l'expressivité multimodale du *flow matching* avec une exécution cinématique spécifique au type. Il préserve une diversité fine tout en maintenant des mouvements cohérents avec chaque type d'agent. Une seconde étape, la distillation à régularisation entropique (ERD), affine la distribution de rollout en boucle fermée avec un objectif de divergence KL inverse régularisée par l'entropie. Cela atténue le décalage de covariables tout en empêchant explicitement l'effondrement sur les modes de haute densité. Nous évaluons Flow-ERD avec une métrique de diversité sans journal (*log-free*) aux côtés des scores de réalisme standard. Flow-ERD se classe premier sur le benchmark de test WOSAC et domine le front de Pareto réalisme–diversité parmi les bases reproductibles. Notre page projet est disponible {ici} : https://seulbinhwang.github.io/flow-erd-project-page/.

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}.