AutoWorld：使用自监督世界模型学习多智能体交通模拟

使用真实的交通代理进行模拟对于验证自动驾驶系统至关重要。现有的数据驱动模拟器从更高级别的抽象（例如 3D 边界框和折线）中学习代理行为，并由上游感知管道推断。这些有损抽象丢弃了直接塑造代理行为的感官环境，限制了模拟旨在重现的分布现实性。为了解决这一限制，我们提出了 AutoWorld，这是一种交通模拟框架，通过在 LiDAR 占用数据上训练的自我监督世界模型，将代理行为基于原始传感器观察。给定世界模型样本，AutoWorld 构建一个从粗到细的预测场景上下文，作为多智能体运动生成模型的输入。此外，我们设计了一个运动感知的潜在监督目标，丰富了 AutoWorld 对场景动态的潜在表示。为了在推理过程中更好地利用这个潜在空间，AutoWorld 采用了级联行列式处理框架来指导跨世界模型和运动模型的多样性感知采样。 Waymo Sim Agents Challenge (WOSAC) 的实验表明，AutoWorld 取得了有竞争力的性能，在轨迹抽象最有限的部分观察场景中取得了更大的进步。我们进一步表明，与仅轨迹和 LiDAR 调节基线相比，通过 AutoWorld 以原始LiDAR数据为依据的模拟在附加数据的情况下可以更好地扩展。消融确认了每个组件的贡献。