神经自回归模型生成逼真交通场景，无需手工模型插入演员，能用于自动驾驶训练

892SceneGen：学习生成真实的交通场景Shuhan Tan1，2*Kelvin Wong1，3王 神龙1，3 SivabalanManivasagam1，3任梦烨1，3RaquelUrtasun1，31Uber Advanced Technologies Group2中山大学3多伦多大学tanshh@mail2.sysu.edu.cn{kelvinwong，slwang，manivasagam，mren，urtasun}@ cs.toronto.edu摘要我们考虑自动生成逼真的交通场景的问题。现有的方法通常根据一组手工制作的模型将演员插入到场景中，因此，现有的模拟器缺乏训练和测试自动驾驶车辆所需的保真度为了解决这一限制，我们提出了SceneGen的神经自回归模型的交通场景，避免了需要的规则和算法。特别是，给定自我车辆状态和周围区域的高清地图，SceneGen将各种类别的演员插入场景中，并合成他们的大小，方向和速度。我们在两个大规模的数据集上展示了SceneGen忠实地模拟真实交通场景分布的能力。此外，我们表明，结合传感器模拟的SceneGen可用于训练推广到现实世界的感知模型1. 介绍模拟真实交通场景的能力是迈向安全和可扩展自动驾驶道路上的一个重要里程碑。它使我们能够构建丰富的虚拟环境，我们可以在其中改进我们的自动驾驶车辆（SDV）并验证其安全性和性能[9，31，32，53]。然而，这一目标很难实现。作为第一步，大多数大型自动驾驶程序模拟在现实世界中捕获的预先记录的场景[32]或雇用测试工程师团队来设计新的场景[9，31]。虽然这种方法可以产生逼真的模拟，但它最终无法扩展。这促使人们寻找一种自动生成现实交通场景的方法。更具体地说，我们感兴趣的是在给定SDV的当前状态和环绕环境的高清地图（HD地图）的情况下生成交通场景中的演员的*表示平等捐款。在Uber ATG工作图1：给定SDV自我SDV用红色表示;车辆用蓝色表示;行人用橙色表示;骑自行车的人用绿色表示。ing区。我们称之为交通场景生成（见图1）。在这里，每个演员都由一个类标签、一个鸟瞰图边界框和一个速度向量参数化。我们的轻量级场景参数化在现有的自动驾驶模拟堆栈中很受欢迎，并且可以很容易地用于下游模块;例如，模拟LiDAR [9，10，32]。交通场景生成的一种流行方法是使用程序模型根据一组规则将演员插入场景中[55，31，9，37]。这些规则对合理的规则进行了编码，例如“行人应该留在人行道上”或“车辆应该沿着车道中心线行驶”，并且可以手动调整其参数以给出合理的结果。尽管如此，这些过于简单化的算法仍不能完全捕捉真实世界交通场景的复杂性和多样性，从而导致合成交通场景与真实交通场景之间的内容差距[26]。此外，这种方法需要大量的时间和专业知识来设计良好的物流并调整其参数。为了解决这些问题，最近的方法使用机器学习技术来自动调整模型参数，893[52，51，24，26，8]。这些方法提高了交通场景生成的真实感和可扩展性。然而，它们仍然受到其潜在的手工制作工艺和先验知识的限制;例如，预定义的场景语法或关于道路拓扑的假设。因此，它们缺乏对真实交通场景的真实复杂性和多样性进行建模的能力，以及在仿真中训练和测试SDV或者，我们可以使用一种简单的数据驱动方法，从特定于地图的经验分布中进行采样[10]。但这不能推广到新的地图，并可能产生场景不一致的样本。在本文中，我们提出了SceneGen-一个交通场景生成模型，避免了手工制作的规则和算法的需要。我们的方法受到了最近在深度生成建模方面取得的成功的启发，这些成功在估计各种数据的分布方面表现出了显着的效果，而不需要复杂的规则和算法;例如，手写[18]、图像[49]、文本[39]等。具体来说，SceneGen是一种神经自回归模型，在给定SDV因此，我们可以从SceneGen中抽取真实的交通场景，并计算现有场景的可能性。我们在两个大规模的自动驾驶数据集上评估了SceneGen。结果表明，SceneGen能更好地估计真实交通场景的分布，生成更真实的样本。此外，我们表明，结合传感器模拟的SceneGen可以生成逼真的标记数据来训练推广到现实世界的感知模型。有了Sce-neGen，我们通过大规模模拟，朝着安全和可扩展地开发SDV迈出了重要的一步我们希望我们在这里的工作能激励更多的研究沿着这个方向，这样有一天这个目标将成为现实。2. 相关工作交通模拟：交通模拟的研究至少可以追溯到20世纪50年代，Gerlough从那时起，各种交通模型已被用于模拟。宏观模型模拟整个群体的车辆在聚合[30，40]研究相比之下，微观模型通过假设车辆跟随模型来模拟每个单独车辆随时间的行为[36，6，34，13，17，1，44]。这些模型大大提高了模拟的逼真度，但以计算效率为代价。微观交通模型已经包含在流行的软件包中 ， 如 SUMO [31] ， CORSIM [35] ， VISSIM [11] 和MITSIM [55]。最近，交通模拟在测试和训练SDV的自治堆栈中找到了新的应用。怎么--然而，现有的模拟器不能满足正确测试SDV所需的真实性水平[52]。例如，CARLA模拟器[9]在预定位置产生参与者，并使用车道跟踪控制器来模拟车辆随时间的行为这种方法过于简单化，因此会导致sim2real内容差距[26]。因此，在本文中，我们研究如何生成快照的交通场景，模仿真实的现实主义和多样性。交通场景生成：虽然对微观交通仿真的许多研究都集中在对行为者的行为建模上，但一个同样重要但尚未探索的问题是如何生成交通场景的真实快照。这些快照有许多应用;例如，初始化交通模拟[52]或生成用于训练感知模型的标记数据[26]。一种流行的方法是根据一组规则将演员程序化地插入场景中[55，31，9，37]。这些规则编码了合理的规则，例如例如，SUMO[31]根据最小车头时距要求将车辆插入车道，并根据高斯分布[52]调整其速度不幸的是，很难将这种方法扩展到新的环境，因为调整这些方法需要大量的时间和专业知识。另一种方法是学习交通场景的概率分布，从中我们可以对新场景进行采样[52，51，24，10，14，15，57]。例如，Wheeleret al.[52]提出了一种贝叶斯网络，用于对多车道直线公路上的交通场景这种方法被扩展到车道间依赖性模型[51]，并推广到处理四路交叉口[24]。这些模型被训练来模拟交通场景中然而，他们只考虑了一因此，它们很难推广到真实的城市场景，其中道路拓扑和演员行为要复杂得多;例如，行人一般不遵循参考路径。深度学习的最新进展使得能够采用更灵活的方法来学习交通场景中的分布。特别是，MetaSim [26]增强了Prakash等人的概率场景图。[37]一个神经网络模型。通过修改场景图MetaSim2 [8]通过学习对场景图进行采样来扩展这一思想。不幸的是，这些方法仍然受到其手工制作的场景语法的限制，例如，将车辆约束到车道中心线。我们的目标是开发一种更通用的方法，避免需要这些化学。894Q>0个图2：我们的方法概述给定自我SDV的状态和周围区域的高清地图，SceneGen通过一次插入一个演员来生成交通场景（第3.1）。我们对每个行动者ai∈ A进行概率建模，将其作为其类ci∈C，位置pi∈R2，边界框bi∈B和速度vi∈R2（Sec.3.2）。自回归模型： 自回归模型分解bi∈B是由边界框的大小组成的3元组一个n维的联合分布，n（wi，li）∈R2和航向角θi∈[0，2π）。在我们的前-随机分布p（x）=i=1p（xi|x0个x，yii+x，yii图4：SceneGen生成的交通场景与各种基线的定性比较其中，平均池：R C×H×W→ R C是边界框上的平均池：一个演员的边界框bi∈Bcon-空间维度和MLPc是三层多它的宽度和高度（wi，li）∈R2和它的航向层感知器（MLP）与softmax激活。位置：我们将均匀量化应用于演员该发行版的支持是我们感兴趣区域内的H×W量化bin及其参数πloc由特定类别的CNN预测。这种方法允许模型表达高度多-θi∈[0，2π）。我们对这些分布进行建模，独立地。 对于演员K二元对数正态分布的混合[πbox，μbox，μbox]=MLPbox（f（i）;ci，w）（11）k分类（π箱）（12）（wi，li）LogNormal（µbox，k，box，k）（13）其中π箱是混合权重，每个μ箱，k∈R2，模态分布，而不对k∈S2参数a分量对数正态分布分布为了恢复连续值，我们假设在每个量化仓内均匀分布令k表示到H × W量化bin之一的索引，并且假设k∈R2（resp. ，<$pk <$∈ R2）是最小值（分别为最大）连续坐标。 We模型p（xi，yi|ci）如下：πloc= CNNloc（f（i）;ci，w）（8）k分类（πloc）（9）（xi，yi）均匀（pk，pk）（10）其中，CNN10c（·;ci，w）是具有针对类ci的softmax动作的CNN。在推断期间，我们掩蔽并重新归一化πloc，使得根据我们的规范排序具有无效位置的量化仓具有零概率质量。请注意，我们在训练过程中不戴面具，因为这导致更差的性能。，并且MLPb〇x（·;ci，w）是针对该模型的三层MLPci类。这种参数化允许我们的模型自然地-集合捕获真实世界数据中演员尺寸的多模态;例如，轿车和卡车的大小。类似地，我们用K Von-Mises分布的混合来建模演员[πθ，μθ，κθ]=MLPθ（f（i）;ci，w）（14）k<$Categorical（πθ）（ 15）θi<$VonMises（ μθ ， k， κθ ，k）（ 16）其中πθ是混合权重，每个μθ，k∈[0，2π）和κθ，k>0参数表示一个分量Von-Mises分布，MLPθ（·;ci，w）是ci类的三层MLP.冯-米塞斯分布是一个近似的分布。898x，yii正态分布围绕单位圆[38]，并具有概率密度函数eκcos（θ−µ）在对演员的位置（xi，yi）∈ R 2进行采样后通过空间索引提取特征向量f（i）∈RCp（θ|µ，κ）=2πI0（κ）（十七）到f（i）的第k个bin中。 该特征向量在（xi，yi）处捕获局部信息，并用于随后预测演员的边界框和速度。其中I0是阶数为0的修正贝塞尔函数我们使用冯-米塞斯分布的混合物来捕获多-真实世界数据中标题的模态;例如，车辆可以899x，yiixi，y ixi，y iATG4D阿尔戈弗斯方法NLL壮举.Loc.类大小速度头NLL壮举.Loc.类大小速度头概率克-0.200.100.240.460.340.31-0.380.140.260.410.570.38MetaSim-0.120.100.240.450.350.15-0.180.140.260.500.520.18程序-0.380.100.240.170.340.07-0.580.160.260.230.590.17车道图-0.170.110.240.300.320.16-0.110.160.260.310.320.28布局VAE210.800.150.090.120.180.330.29200.780.250.130.110.210.410.29SceneGen59.860.110.100.200.060.270.0867.110.140.130.210.170.170.21表1：ATG4D和Argoverse的阴性对数似然（NLL）和最大平均差异（MMD）结果NLL以nat为单位报告，在测试集中的所有场景中取平均值。MMD是在由运动预测模型提取的特征的分布和各种场景统计之间计算的（参见正文的描述）。对于所有指标，越低越好。直走或者在十字路口转弯为了从Von-Mises分布的混合中采样，我们从分类分布中采样一个分量k，然后从第k个分量的Von-Mises分布中采样θ[3]。速度： 我们将参与者设vi=（sicosωi，sisinωi），其中si∈R≥0是它的速度而ωi∈[0，2π）是它的方向。 请注意，此参数-保持样本多样性。此外，我们拒绝车辆和骑自行车的人，他们的边界框与到目前为止采样的演员的边界框相冲突训练：我们训练我们的模型，以最大限度地提高训练数据集中真实交通场景的对数似然性：中国分解不是唯一的，因为可以取[0，2π）中的任何值wmax= argmaxWlogp（ai，1，. . . ，ai，n|mi，ai，0;w）当vi=0时因此，我们将演员的速度建模i=1（二十四）i=0.更具体地说，πv= MLPv （ f（ i ） ;ci ， w ）（ 18）k<$分类（πv）（ 19 ） 其 中 对 于 k>0 ， 我 们 有 vi= （ sicosωi ，sisinωi），其中[µs ， σs]= MLPs （ f（ i ） ;ci ， w ）（ 20）[μω，κω]= MLPω（f（i）;ci，w）（ 21）si<$LogNormal（μs ， k，σs ，k）（ 22）ωi<$VonMises（μω ， k，κω ，k）（ 23）对于k=0，我们有vi=0.如前所述，我们使用三层MLP来预测每个分布的参数对于车辆和骑自行车的人，我们将ωi∈[0，2π）作为相对于行动者航向θ i ∈ [0，2 π）的偏移量这相当于用一个bicy参数化它们的速度-cle模型[43]，我们发现它提高了样本质量。3.3. 学习与推理采样：来自深度自回归模型的纯采样可能会导致退化的例子，因为它们的因此，我们采用受原子核采样启发的采样策略[23]。具体来说，在每个生成步骤中，我们从SceneGen的每个输出分布中采样我们发现这有助于避免恶化的交通场景，900其中w是神经网络参数，N是训练集中的样本数。在实践中，我们使用Adam优化器[27]来最小化小批量的平均负对数似然。我们使用教师强制和反向传播通过时间来训练生成过程，直到内存允许的固定窗口。4. 实验我们在两个自动驾驶数据集上评估了SceneGen：Ar- goverse [7]和ATG 4D [54]。我们的研究结果表明，Sce- neGen可以生成更逼真的交通场景比竞争的方法（第。4.3）。我们还演示了如何使用具有传感器模拟的SceneGen来训练推广到现实世界的感知模型（第二节）。4.4）。4.1. 数据集ATG4D：ATG4D [54]是由北美城市的SDV车队收集的大规模数据集。它由5500个25秒的日志组成，我们将其分为5000个训练集每个日志以10Hz进行二次采样以产生250个交通场景，并且每个场景用车辆、行人和骑自行车者的边界框进行标注。每个日志还提供高清地图，将车道边界、可行驶区域和人行横道编码为多边形，将车道中心线编码为多段线。每个车道段都标注了属性，如其类型（汽车与。自行车）、转弯方向、边界颜色和交通灯状态。901混合物数量场景车辆行人自行车1125.977.2610.369.16368.222.648.527.34564.052.358.277.221059.861.948.326.90表2：ATG4D中混合物组分数量的消融。场景NLL是跨场景的平均值，并且每类NLL是该类的每个演员的平均NLL。LDACTL场景Veh.儿科。比克93.734.908.857.17C63.332.128.697.10CC57.661.738.406.84CCC57.961.778.326.61CCCC59.861.948.326.90表3：ATG4D中的标测图消融（NLL中）。L是泳道;DA可驾驶区域;C人行横道;TL交通灯。在我们的实验中，我们将训练集细分为两个部分，分别为4000和1000个日志。我们使用第一个分裂来训练交通场景生成模型，第二个分裂来训练第二节中的感知模型。四点四Argoverse：Argoverse [7]由匹兹堡和迈阿密的SDV车队收集的两个数据集组成。我们使用一组规则来放置演员，使得他们遵循通道中心线，保持与主要演员的最小间隙等。每个演员与MetaSim类似，我们还考虑了基于学习的Procedural版本，该版本使用车道图神经网络[28]来转换每个演员由于ATG4D和Argoverse中的高清地图不为行人提供参考路径，上述基线不能产生行人。3因此，我们还比较了LayoutVAE[25]-一种用于图像布局的变分自动编码器，我们适用于交通场景生成。我们修改LayoutVAE条件高清地图和输出面向边界框和速度的每一类的actor。详情请参阅附录我们的第一个指标是从评估分布中测量真实交通场景的负对数似然（NLL），以nats为单位。NLL是比较生成模型与易处理似然模型的标准度量。然而，由于我们的许多基线没有相似性，我们还计算了一个基于样本的度量：最大平均差异（MMD）[19]。对于两个分布p和q，MMD测量p和q之间的距离，MMD2（p，q）=Ex，x′<$p[k（x，x′）]Argoverse 3D Tracking数据集包含跟踪和+Ey，y′q[k（y，y′）]−2Ex p，y q（二十五）[k（x，y）]用于65个训练日志和24个验证日志的符号。每个以10Hz对log进行二次采样，以产生13，122个训练场景和5015个验证场景。如在ATG 4D中，Argoverse提供用可驾驶区域和车道段中心线及其属性注释的HD地图;例如，转向。但是，Argoverse不提供人行横道多边形、车道类型、车道边界颜色和交通灯。4.2. 实验装置基线：我们的第一组基线受到最近关于概率场景语法和图的工作的启发[37，26，8]。特别是，我们设计了交通场景的概率语法（Prob. Grammar），以便使用手工制作的先验将演员随机放置到车道段上[37]。从这个语法中采样产生一个场景图，我们的下一个基线（MetaSim）使用一个图神经网络来转换场景图中每个演员的属性。我们的实现遵循Karet al.[26]，除了我们使用一种训练算法，该算法是由启发式生成的地面真实场景图监督的。2我们的下一组基线的灵感来自于直接对场景的道路拓扑进行推理的方法[52，51，对于某个内核k。在[56，29]之后，我们使用高斯内核计算MMD，总变化距离比较生成的和真实交通场景之间的场景统计分布。我们的场景统计测量每个场景中的位置、类、边界框大小、速度和航向角（相对于SDV）的为了研究交通场景的全局属性，我们还在预先训练的运动预测模型的特征空间中计算MMD，该模型将场景的光栅化图像作为输入[53]。这类似于用于评估生成模型的流行IS [41]，FID [21]和KID [4]指标，除了我们使用在交通场景上训练的特征提取器。详情请参阅附录附加细节：每个交通场景都是一个以ego SDV为中心的80m×80m感兴趣区域默认情况下，Sce- neGen在每个数据集的所有可用地图元素上使用K=10的我们使用Adam优化器[27]训练Sce- neGen，学习率为1 e-4，批量大小为16，直到收敛。当对每个参与者的位置、航向和速度进行采样样本M=10次，并保留最可能的样本。24、32]。 给定场景的车道图，Procedural使用3在Argoverse，这些基线只会产生车辆，因为自行车道2我们无法使用他们的无监督损失来训练MetaSim。没有给出。这突出了设计良好的物流的挑战。902图5：ATG4D场景中的交通违规。4.3. 结果定量结果：表1总结了ATG4D和Argoverse的NLL和MMD结果。总的来说，Scene-Gen在两个数据集上都取得了最好的结果，证明它可以更好地模拟真实的交通场景，并合成现实的例子。有趣的是，所有基于学习的方法在深度特征的MMD方面都优于手工调整的基线，这证明了设计良好的算法的难度。定 性 结 果 ： 图 3 显 示 了 由 SceneGen 在 ATG4D 和Argoverse上生成的样本。图4比较了由SceneGen生成的交通场景和各种基线。虽然MetaSim和LaneGraph生成合理的场景，但它们受到其底层架构的限制;例如，演员们沿着车道中心线走。LayoutVAE生成了更多种类的演员;然而，该模型不能准确地在地图上定位演员 ， 从 而 使 整 个 场 景 变 得 不 真 实 。 相 比 之 下 ，SceneGen的样本更好地反映了真实交通场景的复杂性。也就是说，SceneGen偶尔会生成看似合理但不太可能的近碰撞场景;例如，图3右上角。消融研究：在选项卡中。2，我们扫描用于参数化边界框和速度分布的混合分量的数量。我们看到，不断增加的组件数量降低NLL，反映了需要模拟真实交通场景的多模态。我们还将输入地图烧蚀到SceneGen：从无条件模型开始，我们逐步添加车道、可驾驶区域、人行横道和交通灯状态。从Tab3，我们看到使用更多的map元素通常会改善NLL。令人惊讶的是，加入交通灯会略微降低性能，我们推测这是由于ATG4D中的交通灯观察结果不一致。发现有趣的场景：我们使用SceneGen通过搜索具有最高NLL的场景来查找ATG4D中不太可能的场景，NLL由演员数量进行标准化图图5示出了通过该程序发现的交通违规的示例;违规行为者的NLL为21.28。4.4. Sim2Real评估我们的下一个实验表明，SceneGen与传感器模拟相结合，可以生成逼真的标记车辆行人骑自行车方法0.50.70.30.50.30.5概率克81.166.6--11.210.6MetaSim76.363.3--8.27.5程序80.263.0--6.53.8车道图82.971.7--7.66.9布局VAE85.976.349.341.818.416.4SceneGen90.482.458.148.719.617.9真实场景93.786.769.361.629.225.9表4：真实ATG4D场景上的检测AP图6：使用SceneGen场景训练的检测器的输出用于训练感知模型的数据对于评估中的每种方法，我们在ATG4D中的1000个保留日志的每帧中生成250，000 个 基 于 SDV 和 HD 地 图 的 接 下 来 ， 我 们 使 用LiDARsim [32]模拟每个场景对应的LiDAR点云。最后，我们使用模拟LiDAR训练3D对象检测器[54]，并评估其在真实场景和ATG 4D中的Li-DAR上的性能从Tab 4，我们看到SceneGen的交通场景表现出最低的sim2real差距。在这里，真实场景是模拟激光雷达从地 面 实 况 安 置 。 这 再 次 证 实 了 我 们 的 主 张 ， 即MetaSim和Lane Graph中使用的基本规则和先验会导致内容差距。通过完全避开这些技巧，SceneGen学会了生成更逼真的交通场景。有趣的是，尽管在地图上努力定位演员，但Lay-outVAE表现得很有竞争力。我们推测这是因为LayoutVAE捕捉了演员类、大小、标题等的多样性。好.然而，通过精确地建模actor位置以及，SceneGen进一步减少了sim2real差距，相比地面实况交通场景。5. 结论我们提出了SceneGen-一个交通场景的神经自回归模型，我们可以从中采样新的例子，以及评估现有的可能性。与以前的方法不同，SceneGen避免了对规则或算法的需要因此，SceneGen能够生成逼真的交通场景，从而向安全和可扩展的自动驾驶迈出了重要一步。903引用[1] M.班多角Hasebe，A.中山A. Shibata和Y.杉山交通拥挤的动力学模型及数值模拟。物理评论E，1995年。[2] 约瑟芬·本吉奥和萨米·本吉奥。高维离散数据的多层神经网络建模。InNeurIPS，1999.[3] 唐纳德·贝斯特和尼古拉斯·费舍尔冯米塞斯分布的有效模拟。英国皇家统计学会杂志。C系列。应用统计，1979年。[4] Mikolaj Binkowski ， Dougal J. Sutherland ， MichaelArbel，and Arthur Gretton.揭秘MMD甘斯。2018年，在ICLR。[5] Christopher M.主教模式识别和机器学习。2006年。[6] Robert E.Chandler，Robert Herman，and Elliott W.蒙特罗尔交通动力学：汽车跟踪研究。《运筹学》，1958年。[7] Ming-Fang Chang、John Lambert、Patsorn Sangkloy、Jag-jeet Singh 、 Slawomir Bak 、 Andrew Hartnett 、 DeWang 、 Peter Carr 、 Simon Lucey 、 Deva Ramanan 和James Hays。Argo- verse：3d跟踪和预测与丰富的地图。在CVPR，2019年。[8] Jeevan Devaranjan Amlan Kar和Sanja Fidler Meta-sim 2：场景结构的无监督学习，用于合成数据生成。2020年。[9] 作者： AlexyDos o vitski y， Germ a'nRos ， FelipeCod evilla ， Anto-nioM.洛 佩 斯 和 弗 拉 德 伦 · 科 尔 通 。CARLA：开放式城市驾驶模拟器。InCoRL，2017.[10] Jin Fang，Dingfu Zhou，Feilong Yan，Tongtong Zhao，Feihu Zhang，Yu Ma，Liang Wang，and Ruigang Yang.用于自动驾驶的增强型激光雷达模拟器，2019年。[11] 马丁·费伦多夫Vissim：一个微观仿真工具，用于评估包括公交优先在内的信号控制一九九四年[12] 布兰登·J作者：Frey，Geoffrey E.Hinton和Peter Dayan。唤醒-睡眠算法是否产生良好的密度估计？InNeurIPS，1995.[13] 德诺斯角Gazis，Robert Herman，and Richard W.罗瑟里非线性跟随型交通流模型《行动研究》，1961年。[14] 安德烈亚斯·盖格，马丁·劳尔，拉奎尔·乌塔孙。从移动平台理解三维城市场景的生成模型。在CVPR，2011年。[15] Andreas Geiger，Christian Wojek，and Raquel Urtasun.物体和场景布局的联合三维估计InNeurIPS，2011.[16] 丹尼尔·格洛夫。在通用离散变量计算机上模拟高速公路交通。一九五五年[17] 彼得·吉普斯。模拟多车道信号控制道路上车辆检测器输出的计算机程序multsim一九七六年[18] 亚历克斯·格雷夫斯使用递归神经网络生成序列。CoRR，2013年。[19] 作者：Arthur Gretton，Karsten M. Borgwardt，Malte J.Rasch，BernhardSc ho？l k opf，andAl e xanderJ. 斯莫拉一个简单的双样本测试。JMLR，2012年。[20] David Ha和Douglas Eck。草图的神经表征。2018年，在ICLR[21] Martin Heusel，Hubert Ramsauer，Thomas Unterthiner，Bernhard Nessler，and Sepp Hochreiter.通过两个时间尺度 更 新 规则 训 练 的Gans 收 敛 到 局部 纳 什 均 衡 。在NeurIPS，2017年。[22] SeppHochreiter和JürgenSchmidhube r. 长短时记忆。神经计算，1997年。[23] Ari Holtzman ， Jan Buys ， Li Du ， Maxwell Forbes 和Yejin Choi。神经文本退化的奇怪案例2020年，在ICLR[24] 放大图片作者：Stefan Jesenski，Jan Erik Stellet，FlorianA. Schiegg和J. 马里乌斯·佐尔讷河在交叉路口生成场景，以验证高度自动化的驾驶功能。在四，2019年。[25] Akash Abdu Jyothi，Thibaut Durand，Jiawei He，LeonidSi-gal，and Greg Mori.布局：从标签集随机生成场景布局在ICCV，2019年。[26] Amlan Kar ， Aayush Prakash ， Ming-Yu Liu ， EricCameracci，Justin Yuan，Matt Rusiniak，David Acuna，Antonio Torralba和Sanja Fidler。Meta-sim：学习生成合成数据集。在ICCV，2019年。[27] 迪德里克·P·金马和吉米·巴。Adam：随机最佳化的方法。2015年，国际会议[28] 梁明，杨斌，胡锐，陈云，廖人杰，宋峰，拉克尔·乌塔孙。学习用于运动预测的车道图表示。在ECCV，2020年。[29] 廖仁杰，李宇佳，宋扬，王神龙，刘伟。Hamilton，David Duvenaud，Raquel Urtasun，and Richard S.泽梅尔基于图回流注意网络的高效图生成. 2019年在NeurIPS[30] Michael James Lighthill和Gerald Beresford Whitham。关于运动波。二. 拥挤道路上的交通流理论伦敦皇家学会。A辑，数学和物理科学，1955年。[31] 帕布罗·阿勒夫·雷斯·洛佩斯、迈克尔·贝里希、劳拉·比克-瓦尔兹、贾克·奥布· 埃德曼、扬·潘·弗 劳 特奥德、罗伯特·希尔布里奇、莱昂·哈德·卢肯、约翰内斯·拉梅尔、彼得·瓦涅和埃维·玛丽·维伯纳.使用SUMO进行微观交通仿真在ITSC，2018年。[32] Sivabalan Manivasagam ， Shenlong Wang ， KelvinWong ， Wenyuan Zeng ， Mikita Sazanovich ， ShuhanTan ， BinYang ， Wei-ChiuMa ， andRaquelUrtasun.Lidarsim：利用真实世界进行逼真的在CVPR，2020年。[33] 查理·纳什，雅罗斯拉夫·甘宁，S. M. Ali Eslami和Pe- terW.巴塔利亚Polygen：3D网格的自回归生成模型。ICML，2020年。[34] G. F.纽厄尔汽车跟驰动力学中的非线性效应。运筹学，1961年。[35] Larry Owen ， Yunlong Zhang ， Lei Rao ， and G