KiGRAS: Kinematic-Driven Generative Model for Realistic Agent Simulation

轨迹生成是自动驾驶中至关重要的任务。最近的研究引入了自回归范式，利用状态转移模型来近似未来轨迹分布。这种范式密切模拟了现实世界的轨迹生成过程，并取得了显著的成功。然而，它的潜力受到了在冗余状态空间内表示真实轨迹的无效限制。为了解决这个问题，我们提出了基于运动学驱动的真实代理模拟生成模型（KiGRAS）。KiGRAS将驾驶场景分解为每个时间步的动作概率分布，而不是在状态空间中建模，提供了一种紧凑的空间来表示真实的驾驶模式。通过通过运动学模型将动作（原因）到轨迹（效果）的物理因果关系建立起来，KiGRAS消除了大量冗余轨迹。所有从原因空间中的动作派生出的状态都被限制为物理可行的。此外，代表相同动作序列的冗余轨迹被映射到相同的表示形式，反映了它们的基本动作。这种方法显著降低了任务复杂性，并确保了物理可行性。KiGRAS在Waymo的SimAgents挑战赛中取得了最先进的性能，在WOMD排行榜上排名第一，且比其他模型具有更少的参数。视频文档可在\url{https://kigras-mach.github.io/KiGRAS/}上获得。

论文旨在解决自主驾驶中轨迹生成的问题，提出了一种名为KiGRAS的新型生成模型，用于更有效地表示真实的驾驶模式。

KiGRAS将驾驶场景分解为每个时间步的动作概率分布，通过运动学模型从动作（因果）到轨迹（效果）建立物理因果关系，从而消除大量冗余轨迹，使得状态空间更加紧凑。

KiGRAS在Waymo的SimAgents Challenge中表现出色，比其他模型具有更少的参数，并排名WOMD排行榜第一。论文提供了视频文档和开源代码。

最近的相关研究包括使用自编码器和生成对抗网络进行轨迹生成的研究，如《End-to-End Learning of Driving Models from Sensor Data》和《Generative Adversarial Imitation Learning for Driving Policy》。