Flow-ERD: Сопоставление потоков с учетом типа агента с энтропийно-регуляризованной дистилляцией для моделирования разнообразного трафика

Аннотация

Реалистичное и разнообразное моделирование дорожного движения имеет решающее значение для разработки автономного вождения. Однако существующие эталоны в основном поощряют реалистичность, и современные методы оптимизированы соответствующим образом, оставляя разнообразие недостаточно исследованным. Мы представляем Flow-ERD, мультиагентный симулятор, который совместно стремится к реалистичности и разнообразию. Его основой является метод «Потоковое согласование с учетом типа агента» (Agent-Type Aware Flow Matching, AFM), который объединяет мультимодальную выразительность потокового согласования с выполнением кинематики с учетом типа. Он сохраняет детализированное разнообразие, обеспечивая при этом согласованность движений с каждым типом агента. Второй этап — «Дистилляция с энтропийной регуляризацией» (Entropy-Regularized Distillation, ERD) — настраивает распределение развертывания в замкнутом контуре с использованием целевой функции обратного дивергенции Кульбака–Лейблера с энтропийной регуляризацией. Это смягчает ковариационный сдвиг, одновременно явно предотвращая коллапс в режимы с высокой плотностью. Мы оцениваем Flow-ERD с помощью метрики разнообразия, не основанной на логарифмировании, наряду со стандартными показателями реалистичности. Flow-ERD занимает первое место в тестовом эталоне WOSAC и доминирует на фронте Парето реалистичность–разнообразие среди воспроизводимых базовых линий. Страница проекта доступна по адресу https://seulbinhwang.github.io/flow-erd-project-page/{здесь}.

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}.