Flow-ERD: 에이전트 유형 인식 플로우 매칭과 엔트로피 정규화 증류를 통한 다양한 교통 시뮬레이션

초록

자율주행 기술 개발에 있어 현실적이고 다양한 교통 시뮬레이션은 필수적이다. 그러나 기존 벤치마크는 대부분 현실성(realism)을 중시하며, 최근 방법론들도 이에 맞춰 최적화되어 다양성(diversity)은 충분히 탐구되지 못했다. 본 논문에서는 현실성과 다양성을 동시에 추구하는 다중 에이전트 시뮬레이터, Flow-ERD를 제안한다. 그 핵심 구성 요소인 Agent-Type Aware Flow Matching (AFM)은 플로우 매칭(flow matching)의 다중 모달 표현력과 유형별 운동학적 실행을 결합하여, 각 에이전트 유형에 적합한 움직임을 유지하면서 미세한 다양성을 보존한다. 두 번째 단계인 Entropy-Regularized Distillation (ERD)은 엔트로피 정규화된 역방향 KL 목적 함수(entropy-regularized reverse-KL objective)를 사용하여 폐루프 롤아웃 분포(closed-loop rollout distribution)를 미세 조정한다. 이를 통해 고밀도 모드로의 붕괴를 명시적으로 방지하면서 공변량 이동(covariate shift)을 완화한다. Flow-ERD는 로그 없는 다양성 지표(log-free diversity metric)와 표준 현실성 점수를 함께 사용하여 평가된다. Flow-ERD는 WOSAC 테스트 벤치마크에서 1위를 차지했으며, 재현 가능한 베이스라인 중 현실성-다양성 파레토 프론트(Pareto front)를 지배한다. 프로젝트 페이지는 https://seulbinhwang.github.io/flow-erd-project-page/{여기}에서 확인할 수 있다.

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}.