長期的な交通シミュレーションにおけるインターリーブされた自己回帰的運動とシナリオ生成

要旨

理想的な交通シミュレータは、自動運転システムが実際の運用中に経験する現実的な長距離のポイントツーポイント移動を再現します。従来のモデルやベンチマークは、シーン内の初期エージェントに対するクローズドループの動作シミュレーションに焦点を当てていました。これは長期的なシミュレーションにおいて問題があります。エゴビークルが新しい領域に入ると、エージェントがシーンに入ったり出たりします。我々は、クローズドループの動作シミュレーションとシーン生成を交互に行う統一された次トークン予測モデルであるInfGenを提案します。InfGenは、クローズドループの動作シミュレーションとシーン生成モードを自動的に切り替えます。これにより、安定した長期的なロールアウトシミュレーションが可能になります。InfGenは、短期的（9秒）な交通シミュレーションにおいて最先端の性能を発揮し、長期的（30秒）なシミュレーションでは他のすべての方法を大幅に上回ります。InfGenのコードとモデルは、https://orangesodahub.github.io/InfGen で公開されます。

English

An ideal traffic simulator replicates the realistic long-term point-to-point trip that a self-driving system experiences during deployment. Prior models and benchmarks focus on closed-loop motion simulation for initial agents in a scene. This is problematic for long-term simulation. Agents enter and exit the scene as the ego vehicle enters new regions. We propose InfGen, a unified next-token prediction model that performs interleaved closed-loop motion simulation and scene generation. InfGen automatically switches between closed-loop motion simulation and scene generation mode. It enables stable long-term rollout simulation. InfGen performs at the state-of-the-art in short-term (9s) traffic simulation, and significantly outperforms all other methods in long-term (30s) simulation. The code and model of InfGen will be released at https://orangesodahub.github.io/InfGen

長期的な交通シミュレーションにおけるインターリーブされた自己回帰的運動とシナリオ生成

Long-term Traffic Simulation with Interleaved Autoregressive Motion and Scenario Generation

要旨

Support