BehaviorGPT: Smart Agent Simulation for Autonomous Driving with Next-Patch Prediction

模拟交通代理之间真实的互动对于有效验证自动驾驶系统的安全性至关重要。现有的主要模拟器主要使用编码器-解码器结构来编码历史轨迹以进行未来模拟。然而，这种范式会使模型架构复杂化，并且历史和未来轨迹的手动分离会导致数据利用率低。为了解决这些挑战，我们提出了行为生成预训练变换器（BehaviorGPT），这是一种仅具有解码器的自回归架构，旨在模拟多个代理的顺序运动。至关重要的是，我们的方法舍弃了传统的“历史”和“未来”之间的分离，将每个时间步骤视为“当前”时间步骤，从而实现了更简单、更参数和数据高效的设计，可以与数据和计算无缝扩展。此外，我们引入了下一个补丁预测范式（NP3），使模型能够在轨迹的补丁级别上进行推理并捕捉长程时空相互作用。BehaviorGPT在Waymo Sim Agents基准测试中排名第一，展示了其在多代理和代理地图交互方面的卓越性能。我们以0.741的真实度得分超过了最先进的模型，并将minADE指标提高到1.540，模型参数减少了约91.6%。

论文旨在解决自动驾驶系统安全验证中交通参与者之间交互模拟的问题，提出了一种新的解决方案。

论文提出了一种新的解码器架构——行为生成预训练转换器（BehaviorGPT），通过舍弃历史和未来轨迹之间的传统分离，将每个时间步视为“当前”时间步，从而简化了模型架构，提高了数据利用率和参数效率。

论文通过引入NP3（下一个补丁预测范式）实现了模型在轨迹补丁级别上的推理，并在Waymo Sim Agents Benchmark上取得了最优性能。实验结果表明，BehaviorGPT在多智能体和地图智能体交互方面的表现优于现有的基准模型，并且模型参数减少了约91.6%。

最近的相关研究包括使用编码器-解码器结构进行轨迹预测的方法，如Social GAN和STGAT，以及使用自注意力机制的模型，如GPT和BERT。