Dragtraffic: A Non-Expert Interactive and Point-Based Controllable Traffic Scene Generation Framework

评估和训练自动驾驶系统需要多样化和可扩展的边界情况。然而，大多数现有的场景生成方法缺乏可控性、准确性和多样性，导致生成结果不尽如人意。为了解决这个问题，我们提出了Dragtraffic，这是一个基于条件扩散的通用、基于点的可控交通场景生成框架。Dragtraffic通过自适应混合专家结构使非专家能够为不同类型的交通代理生成各种逼真的驾驶场景。我们使用回归模型提供一个通用的初始解决方案，并基于条件扩散模型进行细化过程以确保多样性。通过交叉注意力引入用户定制的上下文以确保高可控性。在真实世界的驾驶数据集上的实验表明，Dragtraffic在真实性、多样性和自由度方面优于现有方法。

本论文旨在解决自动驾驶系统评估和训练所需的多样化和可扩展性场景问题。现有的场景生成方法缺乏可控性、准确性和多样性，导致生成结果不尽如人意。

本论文提出了Dragtraffic，一个基于条件扩散的通用、基于点的、可控的交通场景生成框架。通过自适应混合专家架构，Dragtraffic使非专家能够为不同类型的交通代理生成各种逼真的驾驶场景。使用回归模型提供一般的初始解，并基于条件扩散模型的细化过程来确保多样性。通过交叉注意力引入用户定制化的上下文以确保高可控性。

本论文实验使用真实世界驾驶数据集，证明Dragtraffic在真实性、多样性和自由度方面优于现有方法。

相关研究包括：1.基于生成对抗网络的场景生成方法；2.基于规则的场景生成方法；3.基于物理仿真的场景生成方法。