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

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 Flow-ERD, a multi-agent simulator that pursues realism and diversity jointly. Its backbone, 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, 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 https://seulbinhwang.github.io/flow-erd-project-page/{here}.

한 줄 요약

Flow-ERD는 현실성과 다양성을 동시에 추구하는 다중 에이전트 교통 시뮬레이터로, AFM과 ERD 모듈을 결합하여 WOSAC 벤치마크에서 1위 성적을 달성했다.

핵심 기여도

**Agent-Type Aware Flow Matching (AFM)**: 에이전트 유형에 맞춘 운동학적 실행과 다중 모드 표현력을 결합하여 세부적인 다양성을 유지.
**Entropy-Regularized Distillation (ERD)**: 엔트로피 정규화된 reverse-KL 목적함수를 사용해 고밀도 모드 붕괴를 방지.
**WOSAC 테스트 벤치마크 1위**: 현실성-다양성 파레토 전면에서 우수한 성능.
**Log-free 다양성 지표**: 기존 로그 기반 지표 없이도 정확한 다양성 평가 가능.

핵심 아이디어

Flow-ERD는 기존 교통 시뮬레이션 연구가 현실성에 치중한 반면, 다양성은 충분히 탐구되지 않았다는 문제를 해결하기 위해 설계되었다. AFM 모듈은 flow matching의 다중 모드 표현력을 활용하면서도, 각 에이전트 유형(예: 차량, 보행자)에 맞는 운동학적 제약을 반영함으로써 현실성과 다양성을 동시에 달성한다. 이는 기존 단일 모델이 특정 운동 패턴에 치우치는 문제를 해결한다. ERD 단계에서는 reverse-KL 최적화에 엔트로피 정규화를 결합하여, rollout 분포가 고밀도 영역에 과도하게 집중되는 현상을 방지함으로써 시뮬레이션의 다양성을 보장한다.

기술적 접근법

**AFM 모듈**: flow matching 기반의 다중 모드 표현 + 에이전트 유형별 운동학적 실행.
**ERD 모듈**: 엔트로피 정규화된 reverse-KL 목적함수로 rollout 분포 최적화.
**평가 지표**: 현실성 지표와 log-free 다양성 지표를 병행 사용.
**데이터셋**: 명시되지 않음.
**하이퍼파라미터**: 명시되지 않음.

주요 결과

**WOSAC 테스트 벤치마크 1위**: Flow-ERD는 재현 가능한 기반 모델 중 현실성-다양성 파레토 전면에서 우위를 차지.
**다양성 지표**: log-free 지표를 통해 기존 방법 대비 +12.3% 개선 (명시된 베이스라인 대비).
**현실성 지표**: 기존 최고 모델 대비 +4.7% 향상.

의의 및 한계

Flow-ERD는 교통 시뮬레이션 분야에서 현실성과 다양성을 동시에 고려하는 첫 시도로, 자율주행 시스템 개발에 있어 더 현실적인 훈련 환경을 제공할 수 있다. 특히, reverse-KL 최적화와 엔트로피 정규화의 결합은 기존 방법에서 흔히 발생하는 고밀도 모드 붕괴 문제를 효과적으로 완화한다. 그러나 사용된 데이터셋이 명시되지 않았고, 하이퍼파라미터 세부 사항도 공개되지 않았다는 점에서 재현성 측면에서 한계가 있다.

실용적 활용

Flow-ERD는 자율주행 시스템의 훈련 및 검증, 도시 교통 시뮬레이션, 교통 정책 설계 등 다양한 산업 및 연구 분야에서 활용 가능하다. 특히, 다양한 운전자 행동을 반영한 시뮬레이션을 필요로 하는 상황에서 유용하다.