장기 교통 시뮬레이션: 인터리브된 자기회귀적 모션 및 시나리오 생성

초록

이상적인 교통 시뮬레이터는 자율주행 시스템이 실제 배포 중에 경험하는 현실적인 장거리 점대점 이동을 재현한다. 기존 모델과 벤치마크는 주로 초기 에이전트에 대한 폐루프 모션 시뮬레이션에 초점을 맞추고 있다. 이는 장기 시뮬레이션에 있어 문제가 된다. 에고 차량이 새로운 지역으로 진입함에 따라 에이전트들이 장면에 들어오고 나가기 때문이다. 본 연구에서는 폐루프 모션 시뮬레이션과 장면 생성을 교차적으로 수행하는 통합형 다음 토큰 예측 모델인 InfGen을 제안한다. InfGen은 폐루프 모션 시뮬레이션과 장면 생성 모드 간에 자동으로 전환하며, 안정적인 장기 롤아웃 시뮬레이션을 가능하게 한다. InfGen은 단기(9초) 교통 시뮬레이션에서 최신 기술 수준을 보여주며, 장기(30초) 시뮬레이션에서는 다른 모든 방법을 크게 능가한다. InfGen의 코드와 모델은 https://orangesodahub.github.io/InfGen에서 공개될 예정이다.

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

장기 교통 시뮬레이션: 인터리브된 자기회귀적 모션 및 시나리오 생성

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

초록

Support