[论文解读] Guided Conditional Diffusion for Controllable Traffic Simulation

Ziyuan Zhong, Davis Rempe+6 more|arXiv (Cornell University)|Oct 31, 2022

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出可控交通生成（CTG），一种基于条件扩散模型的方法，通过信号时序逻辑（STL）规则实现对交通仿真的灵活、实时控制。通过将可微分STL鲁棒性与扩散模型引导相结合，CTG在满足用户定义目标（如抵达目标、遵守限速、避免碰撞）的同时，生成物理上可行且逼真的轨迹，在nuScenes数据集上优于强基线模型，在可控性与真实感之间的权衡表现更优。

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.

研究动机与目标

• 解决自动驾驶仿真中真实感与可控性之间的差距。
• 实现在无需重训练的前提下，用户定义的、运行时对交通行为（如抵达目标、遵守限速）的控制。
• 在多样且复杂的规则下，保持生成轨迹的物理可行性与类人行为特征。
• 将扩散模型引导方法扩展至具有交互约束的多智能体交通场景。
• 提供一种可扩展的、可微分的框架，用于使用信号时序逻辑（STL）指定并强制执行时空驾驶规则。

提出的方法

• 训练一个条件扩散模型，以局部道路图和邻近智能体为条件，生成以智能体为中心的轨迹。
• 通过使用自行车运动学模型建模状态空间，强制实现物理可行性，确保轨迹的合理性。
• 在采样过程中应用引导策略，利用STL公式的可微分鲁棒性，引导轨迹满足用户定义的规则。
• 采用联合引导过程同时去噪所有智能体，防止多智能体场景中出现交互规则违反（如碰撞）。
• 使用滤波与动作轨迹优化技术对样本进行精炼，提升规则满足度与真实感。
• 该框架支持推理时动态更改规则，实现对自动驾驶场景的响应式仿真。

实验结果

研究问题

• RQ1 基于扩散模型的交通仿真能否在用户定义规则下同时实现高真实感与灵活可控性？
• RQ2 可微分STL鲁棒性在引导复杂时空驾驶规则下的轨迹生成方面效果如何？
• RQ3 联合多智能体引导能否在保持真实感的同时维持交互约束（如避免碰撞）？
• RQ4 设计选择（如动力学强制、滤波与优化）如何影响可控性与真实感之间的权衡？
• RQ5 该模型能否泛化至包含多个目标的复合规则（如在停车标志处停车并避免驶出道路）？

主要发现

• 在限速规则下的消融实验中，CTG实现了最低的规则违反率（0.0132）与较高的真实感得分（0.456），优于未启用动力学强制或引导机制的变体。
• 在5次内部优化步骤下，CTG将规则违反率降低至0.0156，尽管真实感偏差略有上升，表明控制与保真度之间存在权衡。
• 结合引导与滤波使规则违反率相比无引导情况降低了90%，证明了对引导样本进行滤波的有效性。
• 仅通过动作监督（无状态监督）的变体虽真实感偏差较低（0.2057），但失败率更高（0.2824），表明状态层面正则化的重要性。
• 强制使用自行车运动学模型至关重要：若移除该机制，规则违反率升至1.2797，真实感偏差达3.4204，性能严重下降。
• 在nuScenes数据集上，CTG在所有评估规则（包括停车标志与禁止驶出道路等复合规则）下的规则违反率与真实感偏差指标中均位列前二，表现最优。