Flow-ERD: Agent-type Aware Flow Matching met Entropie-geregulariseerde Distillatie voor Diverse Verkeerssimulatie

Samenvatting

Realistische en diverse verkeerssimulatie is essentieel voor de ontwikkeling van autonoom rijden. Toch belonen gangbare benchmarks voornamelijk realisme, en recente methoden zijn daarop geoptimaliseerd, waardoor diversiteit onderbelicht blijft. Wij introduceren Flow-ERD, een multi-agent simulator die zowel realisme als diversiteit nastreeft. De ruggengraat ervan, Agent-Type Aware Flow Matching (AFM), koppelt de multimodale expressiviteit van flow matching aan typespecifieke kinematische uitvoering. Het behoudt fijnmazige diversiteit terwijl bewegingen consistent blijven met elk agenttype. Een tweede fase, Entropie-geregulariseerde Distillatie (ERD), verfijnt de closed-loop uitrolverdeling met een entropie-geregulariseerde omgekeerde KL-doelstelling. Dit vermindert covariate shift en voorkomt expliciet instorting op hoog-dichtheidsmodi. We evalueren Flow-ERD met een log-vrije diversiteitsmaatstaf naast standaard realisme-scores. Flow-ERD behaalt de eerste plaats op de WOSAC-testbenchmark en domineert het realisme-diversiteit Pareto-front onder reproduceerbare basislijnen. Onze projectpagina is beschikbaar op https://seulbinhwang.github.io/flow-erd-project-page/{hier}.

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}.