Flow-ERD: Correspondência de Fluxo Consciente do Tipo de Agente com Destilação Regularizada por Entropia para Simulação de Tráfego Diversificada

Resumo

A simulação de tráfego realista e diversa é essencial para o desenvolvimento de direção autônoma. No entanto, os benchmarks predominantes recompensam predominantemente o realismo, e métodos recentes têm sido otimizados nesse sentido, deixando a diversidade subexplorada. Apresentamos o Flow-ERD, um simulador multiagente que busca conjuntamente realismo e diversidade. Sua espinha dorsal, o Agent-Type Aware Flow Matching (AFM), combina a expressividade multimodal do flow matching com a execução cinemática específica para cada tipo. Ele preserva a diversidade em granularidade fina enquanto mantém movimentos consistentes com cada tipo de agente. Um segundo estágio, o Entropy-Regularized Distillation (ERD), ajusta a distribuição de rollout em circuito fechado com um objetivo reverse-KL regularizado por entropia. Isso mitiga o deslocamento de covariância enquanto previne explicitamente o colapso em modos de alta densidade. Avaliamos o Flow-ERD com uma métrica de diversidade livre de logs juntamente com pontuações padrão de realismo. O Flow-ERD ocupa o primeiro lugar no benchmark de teste WOSAC e domina a fronteira de Pareto entre realismo e diversidade entre as linhas de base reproduzíveis. Nossa página do projeto está disponível em https://seulbinhwang.github.io/flow-erd-project-page/{aqui}.

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}.