Flow-ERD:用于多样化交通仿真的智能体类型感知流匹配与熵正则化蒸馏
摘要
Flow-ERD是一个多智能体交通仿真器,结合了智能体类型感知流匹配与熵正则化蒸馏,以实现既真实又多样化的运动模式,在WOSAC测试基准上排名第一。
查看缓存全文
缓存时间: 2026/07/13 11:50
论文页面 - Flow-ERD:面向多样化交通模拟的智能体类型感知流匹配与熵正则化蒸馏
来源:https://huggingface.co/papers/2607.06957
摘要
Flow-ERD 是一种多智能体交通模拟器,它将智能体类型感知的流匹配与熵正则化蒸馏相结合,以实现既真实又多样化的运动模式。
真实且多样化的交通模拟对于自动驾驶开发至关重要。然而,当前的主流评测基准主要奖励真实性,近期方法也相应地进行优化,导致多样性未被充分探索。我们提出 Flow-ERD,一种同时追求真实性与多样性的多智能体模拟器 (https://huggingface.co/papers?q=multi-agent%20simulator)。其主干网络——智能体类型感知流匹配 (https://huggingface.co/papers?q=Flow%20Matching)(AFM),将流匹配 (https://huggingface.co/papers?q=flow%20matching) 的多模态表达能力 (https://huggingface.co/papers?q=multi-modal%20expressiveness) 与类型特定的运动执行 (https://huggingface.co/papers?q=kinematic%20execution) 结合起来。它在保持每个智能体类型运动一致性的同时,保留了细粒度的多样性。第二阶段——熵正则化蒸馏(ERD),通过熵正则化的反向 KL 散度目标 (https://huggingface.co/papers?q=entropy-regularized%20reverse-KL%20objective) 微调闭环推演分布。这减轻了协变量偏移 (https://huggingface.co/papers?q=covariate%20shift),同时明确防止坍缩到高密度模式。我们使用无日志的多样性度量以及标准的真实性评分来评估 Flow-ERD。Flow-ERD 在 WOSAC 测试基准中排名第一,并在可复现基线中占据真实性-多样性帕累托前沿。我们的项目页面可在此 (https://seulbinhwang.github.io/flow-erd-project-page/) 获取。
查看 arXiv 页面 (https://arxiv.org/abs/2607.06957)查看 PDF (https://arxiv.org/pdf/2607.06957)项目页面 (https://seulbinhwang.github.io/flow-erd-project-page/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.06957)
在你的智能体中获取此论文:
hf papers read 2607.06957
没有最新的 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型0
尚无模型关联此论文
在模型 README.md 中引用 arxiv.org/abs/2607.06957 以从此页面链接。
引用此论文的数据集0
尚无数据集关联此论文
在数据集 README.md 中引用 arxiv.org/abs/2607.06957 以从此页面链接。
引用此论文的 Spaces0
尚无 Space 关联此论文
在 Space README.md 中引用 arxiv.org/abs/2607.06957 以从此页面链接。
包含此论文的收藏集0
尚无收藏集包含此论文
将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。
相似文章
AnyFlow:基于在策略流图蒸馏的任意步长视频扩散模型
AnyFlow 提出了一种新颖的任意步长视频扩散蒸馏框架,通过流图过渡学习和反向模拟优化完整的 ODE 采样轨迹,在匹配甚至超越基于一致性模型的同时,能够随采样步数预算进行扩展。
Flow-OPD:用于流匹配模型的对策蒸馏
Flow-OPD 是一篇研究论文,介绍了一种用于流匹配文生图模型的两阶段对策蒸馏框架。基于 Stable Diffusion 3.5 Medium,该框架显著提升了生成质量和对齐指标。
Recursive Flow Matching
引入了 Recursive Flow Matching (RecFM),一种用于预测复杂时空动态的生成框架,以更少的步骤实现高保真度,并提高了准确性和速度,包括相比基于扩散的模拟器高达20倍的加速。
Rectified Flows中基于对比速度匹配的几何擦除
本文介绍了GEM,一种面向Rectified Flow模型的概念擦除框架,它结合了基于轨迹的遗忘与教师引导的流匹配,实现了5倍更快且更安全的内容抑制,同时保留良性的生成能力。
DanceOPD:基于策略的生成场蒸馏
DanceOPD提出了一种基于策略的生成场蒸馏框架,用于流匹配模型。该框架通过能力特定路由和基于速度的训练,统一了文本到图像生成、局部编辑和全局编辑,在保持基准生成质量的同时,提升了多能力组合。