Flow-ERD: Agent-type Aware Flow Matching with Entropy-Regularized Distillation for Diverse Traffic Simulation

📄 arXiv: 2607.06957v1 📥 PDF

作者: Seulbin Hwang, Kiyoung Om, Daejung Kim, Jinhan Lee

分类: cs.RO, cs.LG

发布日期: 2026-07-08

备注: 8 pages, 5 figures, 2 tables

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出Flow-ERD以解决交通模拟中的多样性与真实感问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 交通模拟 多智能体系统 真实感 多样性 熵正则化 流匹配 自动驾驶

📋 核心要点

  1. 现有交通模拟方法主要优化真实感，导致多样性未得到充分关注，影响了自动驾驶的应用效果。
  2. 本文提出Flow-ERD，通过Agent-Type Aware Flow Matching和Entropy-Regularized Distillation，旨在同时提升交通模拟的真实感与多样性。
  3. Flow-ERD在WOSAC基准测试中表现优异，排名第一，并在真实感与多样性之间取得了显著的平衡。

📝 摘要（中文）

现实且多样的交通模拟对自动驾驶的发展至关重要。然而，现有基准主要关注真实感，导致多样性问题未得到充分探索。本文提出Flow-ERD，一个多智能体模拟器，旨在同时追求真实感和多样性。其核心模块Agent-Type Aware Flow Matching（AFM）结合了流匹配的多模态表达能力与特定类型的运动执行，保持了细粒度的多样性，同时确保每种智能体类型的运动一致性。第二阶段Entropy-Regularized Distillation（ERD）通过熵正则化的逆KL目标微调闭环回放分布，减轻协变量偏移，并显式防止向高密度模式的坍缩。Flow-ERD在WOSAC测试基准上排名第一，并在可复现的基线中主导真实感与多样性的Pareto前沿。

🔬 方法详解

问题定义：本文旨在解决当前交通模拟中真实感与多样性之间的矛盾。现有方法往往过于关注真实感，导致多样性不足，影响模拟的有效性和应用场景的丰富性。

核心思路：Flow-ERD通过引入Agent-Type Aware Flow Matching（AFM）和Entropy-Regularized Distillation（ERD），实现了对多样性与真实感的双重优化。AFM利用流匹配的多模态特性，结合特定类型的运动执行，确保每种智能体类型的运动一致性，同时保持细粒度的多样性。

技术框架：Flow-ERD的整体架构分为两个主要阶段：第一阶段是AFM，负责流匹配和运动执行；第二阶段是ERD，负责通过熵正则化微调闭环回放分布，以减轻协变量偏移。

关键创新：最重要的技术创新在于AFM和ERD的结合，AFM不仅关注流匹配的多模态表达，还考虑了智能体类型的特定需求，而ERD则通过熵正则化防止模型向高密度模式坍缩，这在现有方法中是未曾实现的。

关键设计：在AFM中，设计了针对不同智能体类型的运动执行策略；在ERD中，采用了熵正则化的逆KL散度作为损失函数，以确保模型在训练过程中保持多样性并避免过拟合。整体网络结构经过精心设计，以支持高效的流匹配和动态调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Flow-ERD在WOSAC测试基准中表现卓越，排名第一，且在真实感与多样性之间实现了显著的平衡。与可复现的基线相比，Flow-ERD在多样性指标上有明显提升，展示了其在交通模拟领域的优越性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、智能交通系统和城市交通管理等。通过提升交通模拟的真实感与多样性，Flow-ERD能够为自动驾驶算法的训练提供更为丰富和真实的场景，从而提高其在实际应用中的安全性和可靠性。未来，该技术可能推动智能交通领域的进一步发展，助力更智能的城市交通解决方案。

📄 摘要（原文）

Realistic and diverse traffic simulation is essential to autonomous driving development. Yet prevailing benchmarks predominantly reward realism, and recent methods have optimized accordingly, leaving diversity underexplored. We introduce \textbf{Flow-ERD}, a multi-agent simulator that pursues realism and diversity jointly. Its backbone, \textbf{Agent-Type Aware Flow Matching} (AFM), couples flow matching's multi-modal expressiveness with type-specific kinematic execution. It preserves fine-grained diversity while keeping motions consistent with each agent type. A second stage, \textbf{Entropy-Regularized Distillation} (ERD), fine-tunes the closed-loop rollout distribution with an entropy-regularized reverse-KL objective. This mitigates covariate shift while explicitly preventing collapse onto high-density modes. We evaluate Flow-ERD with a log-free diversity metric alongside standard realism scores. Flow-ERD ranks first on the WOSAC test benchmark and dominates the realism--diversity Pareto front among reproducible baselines. Our project page is available \href{https://seulbinhwang.github.io/flow-erd-project-page/}{here}.