SLEDGE: Synthesizing Simulation Environments for Driving Agents with Generative Models

SLEDGE是第一个基于真实驾驶记录训练的车辆运动规划生成模拟器。其核心组件是一个学习模型，能够生成代理边界框和车道图。该模型的输出作为交通仿真的初始状态。SLEDGE要生成的实体的独特属性，例如它们的连通性和每个场景的可变数量，使得大多数现代生成模型对这个任务的朴素应用变得非常困难。因此，我们结合对现有车道图表示的系统研究，引入了一种新颖的光栅到矢量自编码器（RVAE）。它将代理和车道图编码为栅格化潜在映射中的不同通道。这有助于车道条件下代理的生成，以及通过扩散变压器结合车道和代理的生成。使用SLEDGE中生成的实体可以更好地控制仿真，例如增加转弯或增加交通密度。此外，SLEDGE可以支持500米长的路径，这是nuPlan等现有数据驱动模拟器所没有的能力。当在我们的模型生成的困难路线和密集交通上进行测试时，PDM（2023年nuPlan挑战赛的获胜者）的失败率超过40％，这表明它对规划算法提出了新的挑战。与nuPlan相比，SLEDGE的设置存储要求少了500倍（<4GB），使其成为更可行的选项，并有助于民主化未来在这一领域的研究。

SLEDGE论文旨在解决车辆运动规划中的模拟问题，即如何生成逼真的车辆和车道图形，以便进行更准确的交通仿真和规划。

SLEDGE提出了一种基于真实驾驶记录训练的生成式模拟器，利用一种新颖的栅格到矢量自编码器（RVAE）来编码车辆和车道图形，从而实现车道条件下的代理生成和车道与代理的联合生成。通过使用SLEDGE生成的实体，可以更好地控制仿真，例如增加交通密度等。相比现有的数据驱动模拟器，SLEDGE需要的存储空间少得多，更易于使用。

论文的实验基于真实的驾驶记录，使用了自己构建的数据集，并且提供了开源代码。此外，SLEDGE支持500米长的路线，而现有的数据驱动模拟器则不支持。然而，SLEDGE也带来了新的挑战，例如在难路线和密集交通下测试规划算法时，PDM的失败率超过40％。作者认为，SLEDGE的出现将有助于推动交通仿真和规划领域的研究。

与SLEDGE相关的研究包括利用生成模型进行交通仿真的其他工作，例如Flow、SUMO等。此外，还有一些研究探索如何使用深度学习来进行车辆运动规划，例如End-to-end Learning for Self-Driving Cars、ChauffeurNet等。