SevDiff：基于严重性条件扩散的长尾冲突轨迹生成

arXiv cs.LG 论文
diffusion-model autonomous-driving trajectory-generation long-tail adas vehicle-conflict severity-conditioning

摘要

SevDiff是一种基于严重性条件的扩散模型，用于生成具有可控碰撞时间值的车辆冲突轨迹，在用于ADAS评估的真实数据集上实现了高命中率。

arXiv:2607.20549v1 公告类型：新 摘要：用于ADAS评估的轨迹数据集严重偏向于常规驾驶；真正的车辆间冲突事件很少见，且事件越罕见，ADAS系统未能处理时造成的成本越高。现有生成方法通过基于场景级属性（空间目标、代理结构或自然语言对抗目标）进行条件生成来解决这种不平衡性，但没有任何方法能够接受目标碰撞时间（TTC）值作为输入，并能在可测量的误差范围内生成它。本文介绍了SevDiff，一种基于严重性条件的去噪扩散概率模型（DDPM），它接受请求的最小TTC值作为标量条件信号，并生成成对的车辆交互轨迹，其实际冲突严重性符合请求，通过命中率指标进行评估。在从UTE SQM-W-1高速公路交织路段数据集提取的468个交互窗口（包括1,041辆车，平滑后共822,691个观测值）上训练后，SevDiff在TTC目标值为0.5-1.5秒时达到100%命中率（误差±0.5秒），在2.0-2.5秒时达到97-99%，并在TTC=5.0秒时优雅地衰减至39%。生成的运动学特征在物理上合理，12个特征的最大超出范围率为4.7%，且超过96.5%的样本中没有负速度或间距值。命中率衰减模式在物理上可解释为条件信号相对于训练先验的强度，从而将生成器的精度特性描述为一种度量，而非简单的通过/失败结果。
查看原文
查看缓存全文

缓存时间: 2026/07/24 05:11 

# SevDiff：面向长尾冲突轨迹生成的严重性条件扩散模型
来源：https://arxiv.org/abs/2607.20549
查看PDF（https://arxiv.org/pdf/2607.20549）

> **摘要：** 用于ADAS评估的轨迹数据集严重偏向于常规驾驶；真正的车辆间冲突事件很少见，而且事件越罕见，当ADAS系统无法处理时造成的代价越高。现有的生成方法通过场景级属性（空间目标、代理结构或自然语言对抗目标）进行条件生成来解决这种不平衡问题，但没有一种方法能够接受目标碰撞时间（TTC）值作为输入，并确保在可测量的误差范围内生成该值。本文提出了SevDiff，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。在从UTE SQM-W-1高速公路交织段数据集（1,041辆车，平滑后822,691个观测值）中提取的468个交互窗口上训练后，SevDiff在TTC目标为0.5-1.5秒时实现了100%的命中率（误差±0.5秒），在2.0-2.5秒时达到97-99%，在TTC=5.0秒时平滑下降至39%。生成的动力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%，超过96.5%的样本中没有负的速度或间隙值。命中率的下降模式在物理上可以解释为条件信号相对于训练先验的强度，从而使其成为生成器精度的特征描述，而非简单的通过/失败结果。

## 提交历史

来自：Laughter Eni Solomon [查看邮件](https://arxiv.org/show-email/e3d22775/2607.20549)  
**[v1]** 2026年7月13日星期一 22:17:48 UTC（1,825 KB）

相似文章

Valdi: 价值扩散世界模型

Hugging Face Daily Papers

Valdi 将端到端在线训练与潜在扩散动态相结合，用于强化学习中的模型预测控制，实现快速且能处理不确定性的动态预测，并在 CarRacing 环境中展示了初步结果。