[논문 리뷰] Guided Conditional Diffusion for Controllable Traffic Simulation

Ziyuan Zhong, Davis Rempe외 6명|arXiv (Cornell University)|2022. 10. 31.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 신호 시간 논리(STL) 규칙를 사용하여 교통 시뮬레이션을 영구적이고 실시간으로 제어할 수 있는 조건부 확산 모델인 제어 가능한 교통 생성(CTG)을 제안한다. 다양한 STL 규칙의 탄성 있는 조건부 확산 모델을 통해 물리적으로 타당하고 현실적인 궤적을 생성하면서도 사용자가 정의한 목표(예: 목적지 도착, 속도 제한 준수, 충돌 회피 등)를 충족시키며, nuScenes 데이터셋에서 강력한 베이스라인 대비 제어성과 현실성의 상호 보완적 특성에서 뛰어난 성능을 보였다.

ABSTRACT

Controllable and realistic traffic simulation is critical for developing and verifying autonomous vehicles. Typical heuristic-based traffic models offer flexible control to make vehicles follow specific trajectories and traffic rules. On the other hand, data-driven approaches generate realistic and human-like behaviors, improving transfer from simulated to real-world traffic. However, to the best of our knowledge, no traffic model offers both controllability and realism. In this work, we develop a conditional diffusion model for controllable traffic generation (CTG) that allows users to control desired properties of trajectories at test time (e.g., reach a goal or follow a speed limit) while maintaining realism and physical feasibility through enforced dynamics. The key technical idea is to leverage recent advances from diffusion modeling and differentiable logic to guide generated trajectories to meet rules defined using signal temporal logic (STL). We further extend guidance to multi-agent settings and enable interaction-based rules like collision avoidance. CTG is extensively evaluated on the nuScenes dataset for diverse and composite rules, demonstrating improvement over strong baselines in terms of the controllability-realism tradeoff.

연구 동기 및 목표

• 자율주행차 시뮬레이션에서 현실성과 제어성의 격차를 해소하기 위해.
• 재학습 없이도 사용자가 정의한 테스트 시점 제어(예: 목적지 도착, 속도 제한 준수 등)를 가능하게 하기 위해.
• 다양하고 복잡한 규칙 하에서 물리적 타당성과 인간과 유사한 행동을 유지하는 생성 궤적을 확보하기 위해.
• 상호작용 기반 제약 조건이 있는 다중 에이전트 교통 시나리오에 확산 모델 가이던스를 확장하기 위해.
• 신호 시간 논리(STL)를 사용하여 공간-시간 주행 규칙을 특정하고 시행할 수 있는 확장 가능한, 미분 가능한 프레임워크를 제공하기 위해.

제안 방법

• 로컬 지도와 인접 에이전트를 조건으로 하는 에이전트 중심 궤적을 생성하기 위해 조건부 확산 모델을 훈련한다.
• 물리적 타당성을 확보하기 위해 상태 공간을 유니클라이크 역학으로 모델링하여 현실적인 운동 궤적을 보장한다.
• 사용자가 정의한 규칙를 충족하도록 유도하기 위해, STL 공식의 미분 가능한 강도를 사용하여 추론 중 가이던스를 적용한다.
• 다중 에이전트 시나리오에서 상호작용 규칙 위반(예: 충돌)을 방지하기 위해 모든 에이전트를 동시에 노이즈 제거하는 공동 가이던스 절차를 사용한다.
• 샘플을 개선하고 규칙 준수 및 현실성 수준을 향상시키기 위해 필터링 및 동작 궤적 최적화를 사용한다.
• 추론 시점에 동적 규칙 변경을 지원하여 자율주행차 시나리오의 반응형 시뮬레이션을 가능하게 한다.

실험 결과

연구 질문

• RQ1 확산 기반 교통 모델이 사용자가 정의한 규칙 하에서 높은 현실성과 탄력적인 제어성을 동시에 달성할 수 있는가?
• RQ2 미분 가능한 STL 강도가 복잡한 공간-시간 주행 규칙에 대한 궤적 생성을 얼마나 효과적으로 지도하는가?
• RQ3 공동 다중 에이전트 가이던스가 현실성을 유지하면서도 상호작용 제약 조건(예: 충돌 회피)을 유지할 수 있는가?
• RQ4 역학 강제, 필터링, 최적화와 같은 설계 선택 사항이 제어성-현실성 트레이드오프에 어떤 영향을 미치는가?
• RQ5 다중 목표(예: 정지 신호에서 멈추고 도로 외부 진입 방지)를 포함하는 복합 규칙에 대해 모델이 일반화 가능한가?

주요 결과

• 속도 제한 규칙 하에서 아블레이션 연구에서 CTG는 규칙 위반률 0.0132를 기록하며 가장 낮고, 현실성 지표 0.456를 확보하여 동역학 강제나 가이던스 없이 훈련된 변종보다 뛰어난 성능을 보였다.
• 5단계 내부 최적화를 적용한 CTG는 규칙 위반률을 0.0156으로 낮췄지만, 현실성 편차는 약간 증가하여 제어성과 정확성 간의 상호 보완적 특성을 확인했다.
• 가이던스와 필터링을 결합한 경우, 가이던스 없이 사용한 경우 대비 규칙 위반률이 90% 감소하여, 필터링된 가이던스 샘플의 효과를 입증했다.
• 상태 감독 없이 동작만 감독하는 변종은 현실성 편차는 0.2057로 낮았지만, 실패율은 0.2824로 높아져 상태 수준의 정규화가 중요함을 보여주었다.
• 유니클라이크 역학 강제가 핵심적이었다: 이를 제거한 경우 규칙 위반률은 1.2797로 증가하고 현실성 편차는 3.4204로 급격히 악화되어 성능이 심각하게 떨어졌다.
• nuScenes 데이터셋에서 CTG는 모든 평가 규칙(정지 신호 및 도로 외부 진입 방지 포함)에서 규칙 위반률과 현실성 편차 측면에서 상위 두 개 성능을 기록하며 최고의 성능을 보였다.