Gradient-based Trajectory Optimization with Parallelized Differentiable Traffic Simulation

我们开发了一个基于智能驾驶员模型（IDM）的并行化可微分交通模拟器，该模型是一个将驾驶员行为作为关键变量纳入考虑的跟车框架。我们的车辆模拟器高效地模拟了车辆运动，生成可以与真实世界数据相匹配的轨迹。通过利用其可微分特性，使用基于梯度的方法优化了IDM参数。该系统能够在实时条件下模拟多达200万辆车，适用于大规模轨迹优化。我们展示了如何使用该模拟器进行输入轨迹中的噪声过滤（轨迹滤波）、从稀疏轨迹重建密集轨迹（轨迹重建），以及预测未来轨迹（轨迹预测），所有生成的轨迹均符合物理定律。我们在包括NGSIM和Waymo开放数据集在内的多个数据集上验证了我们的模拟器和算法。代码已公开发布在：https://github.com/SonSang/diffidm。

该论文试图解决交通模拟中准确性和效率的问题，特别是在处理大规模车辆轨迹优化时。它旨在验证基于智能驾驶员模型（IDM）的可微分交通模拟器能否有效优化驾驶行为参数，并且在真实世界数据上表现出色。这并不是一个全新的问题，但在大规模实时模拟和利用梯度下降方法优化参数方面具有新颖性。

关键思路在于构建一个并行化的、可微分的交通模拟器，该模拟器基于IDM框架，能够高效地模拟车辆运动，并通过反向传播自动调整模型参数以适应真实数据。相比现有研究，该方法不仅提高了模拟的真实感，还大幅提升了计算效率，支持实时模拟多达200万辆车的行为。

论文展示了其模拟器可以用于轨迹过滤、重建稀疏轨迹以及预测未来轨迹，所有生成的轨迹都符合物理定律。实验设计严谨，使用了包括NGSIM和Waymo Open Dataset在内的多个数据集进行验证。此外，作者开源了代码，鼓励社区进一步研究。值得继续深入的方向包括探索更多类型的驾驶行为模型以及将此技术应用于自动驾驶系统。

近期相关研究还包括：1.《Learning Latent Dynamics for Planning from Pixels》探讨了从像素级输入学习潜在动力学模型；2.《Trajectron++: Dynamically Feasible Trajectory Forecasting With Heterogeneous Data》提出了处理异构数据的动态可行轨迹预测；3.《FROZEN: Fast Route Optimization with Zoning and Enumeration of Nodes》专注于快速路线优化。