PPR-2210.17366
Paper
Guided Conditional Diffusion for Controllable Traffic Simulation
| id | |
|---|---|
| updated | |
| type | paper |
| title | Guided Conditional Diffusion for Controllable Traffic Simulation |
| authors | Ziyuan Zhong, Davis Rempe, Danfei Xu, Yuxiao Chen, Sushant Veer, Tong Che, Baishakhi Ray, Marco Pavone |
| venue | ICRA 2023 (arXiv:2210.17366) |
| arxiv | 2210.17366 |
| tier | 0 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-09 |
| version | arXiv:2210.17366v1 |
| source-hash | f94c11c3c36ce6c528f3d73a87cdaabc97db52b88cd700a7ed1c48d246d7047c |
| admitted-under | A2-direct-edge |
| admission-note | G2DP 扩散规划谱系的前置工作（related work 引用，『稀疏时序逻辑引导』分叉）：CTG 以 STL 规则引导条件扩散做受控交通仿真——G2DP 的『引导注入去噪』在仿真/时序逻辑域的近亲。 |
定位
提出 CTG（Controllable Traffic Generation）的原始论文（ICRA 2023，NVIDIA）。面向可控且真实的交通仿真：启发式交通模型可控但缺乏现实性，数据驱动方法现实但不可控——CTG 用一个条件扩散模型补上“同时可控且现实”的空缺。关键机制：用户在测试时控制轨迹的期望属性（到达目标、遵守限速、防撞），用信号时序逻辑（STL）定义的可微规则引导扩散生成，并扩展至多智能体与交互型规则。
方法（机制要点）
- 条件扩散 + 规则引导：以 STL 可微逻辑作为引导信号注入扩散生成，使轨迹满足时序/空间规则（区别于仅以类别/目标做条件）。
- 多智能体扩展：引导扩展到多智能体场景，支持交互型规则（如碰撞避免）——多智能体可控生成。
- 动力学强制：通过强制动力学保证生成轨迹物理可行，维持现实性。
与 G2DP 的关系
G2DP（PPR-2606.26017）扩散规划谱系的前置工作：related work 把 CTG 归入“稀疏时序逻辑引导”分叉（与 Diffusion Planner 的稀疏几何引导并列为现有引导的稀疏形态），并指出 CTG 的引导经 STL 鲁棒性语义在向量化表示上求值——相对 G2DP 的稠密时空占据场引导是对照面。库内 SYN-003 将其记入“扩散规划范式支的分叉（引导信号：STL 鲁棒性）”。
承重关系
- 谱系锚点：扩散规划/仿真谱系的 STL 引导分叉；与 pSTL（PPR-2503.02924）同为 STL-扩散结合方向。库内 SYN-003 记其角色。
- provenance：v1 tarball sha256
f94c11c3…47047c，缓存cache/sources/2210.17366/。
关联（3）
- PPR-2503.02924 Diverse Controllable Diffusion Policy with Signal Temporal Logic
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- SYN-003 G2DP 引导谱系四支合成：机制（classifier guidance→CFG→DPS）、扩散规划（Diffuser→MotionDiffuser→Diffusion Planner→FlowPlanner/pSTL/CTG）、安全硬约束（CBF 系）、稠密网格（HYPE/TPP/NaviDiffusor）；G2DP 立四支交点——把『稠密分布性网格』放到『可微+时空+入去噪循环』。