SevDiff：长尾冲突轨迹生成的严重性条件扩散

ADAS评估中使用的轨迹数据集严重偏向于日常驾驶；真正的车与车冲突事件很少见，而且事件越罕见，ADAS 系统无法处理的成本就越高。现有的生成方法通过调节场景级属性（空间目标、代理结构或自然语言对抗目标）来解决这种不平衡问题，但没有一种方法可以接受目标碰撞时间（TTC）值作为输入，并在可测量的误差内生成它。本文介绍了 SevDiff，这是一种严重性条件去噪扩散概率模型 (DDPM)，它接受请求的最小 TTC 值作为标量条件信号，并生成配对的车辆交互轨迹，其实现的冲突严重性与请求匹配，并通过命中率指标进行评估。 SevDiff 在从 UTE SQM-W-1 高速公路迂回数据集（1,041 辆车辆，平滑后 822,691 个观测值）中提取的 468 个交互窗口上进行训练，对于 0.5-1.5 秒的 TTC 目标在 +/-0.5 秒内实现了 100% 的命中率，在 2.0-2.5 秒时实现了 97-99% 的命中率，在 2.0-2.5 秒时平稳降级至 39% TTC = 5.0 秒。生成的运动学特征在物理上是合理的，12 个特征的最大超出范围率为 4.7%，并且超过 96.5% 的样本中没有负速度或间隙值。命中率退化模式在物理上可解释为相对于训练先验的调节信号的强度，使其成为生成器的精确表征而不是通过/失败结果。