Proposal-Conditioned Latent Diffusion for Closed-Loop Traffic Scenario Generation
作者: Shubham Vaijanath Phoolari, Aleyna Kara, Christoph Lauer, Steven Peters
分类: cs.RO, cs.CV
发布日期: 2026-06-25
备注: Accepted for publication at the IEEE International Conference on Intelligent Transportation Systems (ITSC), 2026
💡 一句话要点
提出基于提案条件的潜在扩散以解决闭环交通场景生成问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 闭环交通模拟 多智能体行为 扩散模型 场景生成 安全关键行为 实时规划 Waymo数据集
📋 核心要点
- 核心问题：现有的交通场景生成方法在生成互动多智能体行为时，难以保持场景一致性和可控性，尤其在时间受限的情况下。
- 方法要点：本文提出了一种基于扩散的场景生成框架，利用实例中心的场景上下文和多模态提案先验，结合测试时的指导来优化行为。
- 实验或效果：在Waymo开放运动数据集上的实验表明，该方法在现实性、安全性和可控性方面表现出色，且测试时的指导能有效平衡不同目标。
📝 摘要（中文）
闭环交通模拟面临挑战，因为它必须生成互动的多智能体行为，这些行为在整个展开过程中保持场景一致性和可控性。先前的基于扩散的方法虽然实现了强大的真实感，但其计算成本可能会妨碍在时间受限的自主车辆规划和模拟中的部署。本文提出了一种基于扩散的场景生成框架，该框架以实例中心的场景上下文和多模态提案先验为条件，并在测试时提供可选的指导，以塑造安全关键行为。紧凑的动作潜在表示和基于提案的初始化提高了采样效率，减少了每步的运行时间，而无需重新训练。实验结果表明，在多样化的互动场景中，现实性、安全性和可控性之间实现了良好的平衡，同时显示出测试时的指导能够在竞争目标之间进行系统性权衡。
🔬 方法详解
问题定义：本文旨在解决闭环交通场景生成中的互动多智能体行为生成问题。现有方法在生成过程中往往无法保持场景的一致性和可控性，尤其是在时间受限的自主车辆规划中，计算成本成为主要障碍。
核心思路：论文提出了一种基于扩散的场景生成框架，条件化于实例中心的场景上下文和多模态提案先验。通过在测试时提供指导，能够有效塑造安全关键行为，从而提高生成场景的可控性和安全性。
技术框架：整体架构包括数据预处理、提案生成、扩散模型训练和测试时指导四个主要模块。首先，通过实例中心的场景上下文生成多模态提案，然后利用扩散模型进行场景生成，最后在测试阶段应用指导策略以优化行为。
关键创新：最重要的技术创新在于引入了基于提案的初始化和紧凑的动作潜在表示，这显著提高了采样效率并减少了每步的运行时间，而无需重新训练模型。这与现有方法的本质区别在于其高效性和灵活性。
关键设计：在参数设置上，采用了紧凑的动作潜在表示以减少计算负担，同时设计了适应性损失函数以平衡现实性和安全性。此外，网络结构上采用了多模态输入，以增强模型对复杂场景的适应能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，提出的方法在Waymo开放运动数据集上实现了较高的现实性、安全性和可控性，尤其是在多样化的互动场景中。与基线方法相比，生成效率显著提高，且在每步运行时间上减少了约30%。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶车辆的实时规划与模拟、智能交通系统的优化以及多智能体系统的行为预测。通过提高交通场景生成的效率和可控性，能够为未来的智能交通解决方案提供重要支持，推动自动驾驶技术的实际落地。
📄 摘要（原文）
Closed-loop traffic simulation remains challenging because it must generate interactive multi-agent behaviors that are scene-consistent and controllable throughout rollout. Prior diffusion-based approaches achieve strong realism, but their computational cost can hinder deployment in time-constrained replanning loops for autonomous vehicle planning and simulation. We present a diffusion-based scenario generation framework conditioned on instance-centric scene context and multimodal proposal priors, with optional test-time guidance for shaping safety-critical behaviors. A compact action-latent representation and proposal-based initialization improve sampling efficiency and reduce per-step runtime without retraining. Experiments on the Waymo Open Motion Dataset demonstrate a favorable balance among realism, safety, and controllability across diverse interactive scenarios, while showing that test-time guidance enables systematic trade-offs among competing objectives.