Diffusion Models for Intelligent Transportation Systems: A Survey
원문 초록
Intelligent Transportation Systems (ITS) are vital in modern traffic management and optimization, significantly enhancing traffic efficiency and safety. Recently, diffusion models have emerged as transformative tools for addressing complex challenges within ITS. In this paper, we present a comprehensive survey of diffusion models for ITS, covering both theoretical and practical aspects. First, we introduce the theoretical foundations of diffusion models and their key variants, including conditional diffusion models and latent diffusion models, highlighting their suitability for modeling complex, multi-modal traffic data and enabling controllable generation. Second, we outline the primary challenges in ITS and the corresponding advantages of diffusion models, providing readers with a deeper understanding of the intersection between ITS and diffusion models. Third, we offer a multi-perspective investigation of current applications of diffusion models in ITS domains, including autonomous driving, traffic simulation, trajectory prediction, and traffic safety. Finally, we discuss state-of-the-art diffusion model techniques and highlight key ITS research directions that warrant further investigation. Through this structured overview, we aim to provide researchers with a comprehensive understanding of diffusion models for ITS, thereby advancing their future applications in the transportation domain.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
마르코프 동역학 강제자: 학습된 동역학 다양체 상에서 실행 가능성을 보존하는 보정
Markovian Dynamics Enforcer: Feasibility Preserving Correction on Learned Dynamics Manifolds
신경망 궤적 예측 모델(neural trajectory predictor)은 특히 제어 입력이 관측되지 않고 동역학이 부분적으로만 명시된 경우, 동역학, 액추에이터 한계 또는 상태 제약 조건을 위반하면서도 낮은 예측 오차에 도달할 수 있습니다. 본 논문에서는 상태 전이 제안을 학습된 실행 가능한 동역학 다양체(manifold)로 매핑하는 시불변 사후 연산자인 MaDE(Markovian Dynamics Enforcer)를 소개합니다. 이는 실제 제어 입력(ground-truth controls) 없이 실행 가능한 상태만을 바탕으로 학습됩니다. MaDE는 각 전이에 대해 제어 입력을 추론하고, 알려진 물리 법칙과 학습된 잔차(residual)로 구성된 완결 모델(completion model)을 통해 상태를 재계산합니다. 그런 다음 그래디언트 기반 부등식 감소를 통해 해당 제어 입력을 보정하므로, 부등식 만족은 반복(iteration) 예산 내에서 최선의 노력(best-effort)으로 이루어집니다. 모든 보정 반복 단계가 완결 모델에 다시 입력되므로, 반환된 상태는 해당 모델 및 제공된 이전 상태 앵커를 기준으로 구조상 동역학적 일관성을 갖게 됩니다. MaDE는 완전히 명시된 시뮬레이션 시스템에서 동역학 잔차를 본질적으로 0에 가깝게 줄이며, 불충분하게 명시된 시스템에서는 베이스라인보다 더 작은 실제 동역학 잔차를 남깁니다. 임의의 예측 모델에 결합되도록 설계된 이 고정된(frozen) 연산자는 순환 신경망, 구조화된 상태 공간, 트랜스포머(transformer) 예측 모델의 다운스트림에서 평가되었습니다. 기록된 차량 궤적 데이터에서 기구학적 자전거 모델 대비 1단계 잔차는 MaDE 적용 시 0.0071~0.0072인 반면, 원본 예측 모델은 0.1703~0.1714였습니다. MaDE는 평균 변위 오차(ADE)를 1.57배에서 1.83배 증가시킵니다.
MapLightning: 1D 맵 토큰을 활용한 온라인 벡터화 고정밀 지도(HD Map) 구축
MapLightning: Online Vectorized HD Map Construction with 1D Map Tokens
온라인 벡터화 고정밀 지도(HD Map) 구축은 안전한 자율주행의 확장을 위해 필수적이며, 정확한 실시간 추론(inference)을 요구합니다. 기존 방식들은 주로 중간 표현으로 조감도(BEV, Bird's-Eye-View) 격자에 의존합니다. 본 논문에서는 조밀한 BEV 격자를 압축된 1D 학습형 맵 토큰 세트로 대체하는 MapLightning을 제안합니다. 이미지 특징으로부터 맵 토큰을 구성하기 위해, 일반적인 크로스 어텐션 대신 셀프 어텐션(self-attention)을 채택하여 이미지 토큰과 맵 토큰 간의 결합 상호작용 및 문맥적 집계를 가능하게 합니다. 제안하는 트랜스포머(transformer) 기반 매퍼는 맵 토큰과 이미지 토큰을 연결(concatenate)하고 전체 셀프 어텐션을 적용한 후, 이미지 토큰은 버리고 업데이트된 맵 토큰만 유지하여 디코딩에 활용합니다. 이러한 설계는 세 가지 이점을 제공합니다. 첫째, 제안하는 표현 방식은 더 적은 수의 토큰을 사용하여 메모리 소모를 줄이고 더 빠르게 동작하므로 효율적입니다. 둘째, 경량화된 설계를 통해 맵 디코더가 변형 가능한(deformable) 크로스 어텐션 대신 완전한 크로스 어텐션을 사용하여 더 우수한 전역 문맥을 활용할 수 있습니다. 셋째, BEV 기반 방식과 달리 카메라 투영 파라미터를 사용하지 않아 카메라 외란(extrinsic perturbation)에 견고합니다. MapLightning은 조밀한 BEV 기반 방식 대비 최대 16.7배 적은 중간 토큰을 사용하며, nuScenes 및 Argoverse 2 벤치마크에서 최고 수준의 정확도와 효율성을 달성합니다. 경량 버전은 nuScenes에서 +10.1 mAP, Argoverse 2에서 +16.2 mAP만큼 MapTRv2를 능가하는 동시에, 53% 적은 메모리로 1.73배 빠른 추론 속도(40+ FPS)를 제공합니다. 나아가 불확실성을 인지하는 지도 구축 및 다운스트림 경로 예측에서도 개선 효과를 입증합니다. 코드와 모델은 공개될 예정입니다.
자율주행차 대중 수용의 전 세계적 동인과 장벽: 17개국의 실증
Global drivers and barriers to the public acceptance of autonomous vehicles: Evidence from 17 countries
본 연구는 특정 조건 하에서 자율 주행할 수 있지만, 요청 시 인간 운전자가 다시 제어할 준비를 유지해야 하는 자동차공학회(SAE) 3레벨 조건부 자동화 자동차에 대한 대중 수용을 조사했다. 기존 통합 기술 수용 및 사용 이론 2(UTAUT2) 기반 연구는 주로 유럽 표본에 초점을 맞춰 왔으며, 따라서 동일한 요인이 더 넓은 세계 지역 전반에서 수용을 형성하는지 여부는 여전히 불분명하다. 이 지식 공백은 L3Pilot 글로벌 사용자 수용 설문조사를 통해 해소되었다. 원본 데이터셋 18,631명의 응답자 중, 최종 분석 표본은 아프리카, 아시아, 유럽, 북미, 남미 17개국의 18,603명으로 구성되었다. 데이터는 UTAUT2 기반 구조방정식 모델을 사용하여 성능 기대, 노력 기대, 사회적 영향, 촉진 조건, 쾌락적 동기가 3레벨 자동차 사용 의도를 어떻게 형성하는지 검토하기 위해 분석되었다. 모델은 강한 설명력을 보였다. 분석 표본 전반에서 3레벨 자동차 사용 의도는 주로 성능 기대, 사회적 영향, 쾌락적 동기에 의해 촉진되었다. 노력 기대와 촉진 조건 역시 기여했지만, 직접적 역할은 더 작았다. 나이, 성별, 첨단 운전자 보조 시스템(ADAS) 사용 경험은 통계적으로 유의했지만, 비교적 약한 예측 변수였다. 전반적으로, 연구 결과는 3레벨 자동화 자동차 수용이 인구통계학적 특성이나 사용 편의성에 대한 우려보다는 사람들이 해당 기술을 유용하고, 사회적으로 지지받으며, 사용하기 즐겁다고 인식하는지에 더 크게 달려 있음을 시사한다.
WorkDrive: 자율주행을 위한 도로 공사 인과 연쇄(Chain of Causation)
WorkDrive: Roadwork Chain of Causation for Autonomous Driving
자율주행 비전-언어 모델(VLM)은 도로 공사 구역에서 어려움을 겪는다. 차선 표시와 고정 표지판 같은 친숙한 시각적 단서가 변경되거나 사라지고, 콘과 차단막 같은 임시 장치가 주행 가능한 통로를 재정의하기 때문이다. VLM은 이러한 객체를 탐지할 수 있지만, 명시적 지도 없이는 사전학습에서 익숙한 요소에 추론을 고정하고, 공사 구역 관찰을 올바른 경로 계획 결정과 연결하지 못한다. 우리는 WorkDrive를 제안한다. 이는 공사 구역에 대한 지각 기반(grained) 인과 추론을 구성하고 궤적 예측과 정렬하는 프레임워크이다. 자동화된 다중 작업 지각 파이프라인이 구조화된 장면 사실을 추출하여 Chain-of-Causation(CoC) 어노테이션 파이프라인에 주입하고, 어노테이터의 어텐션을 도메인 특화 요소로 재지향한다. 이렇게 생성된 추론 라벨은 지도 미세조정에 사용되며, 이어서 횡방향 메타 행동과 예측 궤적 간의 일관성이라는 단일 보상을 사용한 강화학습이 수행된다. 최대 규모의 공개 공사 구역 데이터셋인 ROADWork에서, 제안된 도로 공사 CoC는 궤적 평균 변위 오류(ADE)를 9.0% 감소시키고, 일관성 기반 GRPO는 추가로 3.0% 개선하여 궤적 전용 기준선 대비 점진적 향상을 달성한다. 코드와 데이터는 공개될 예정이다.
DSTIGCN: Deformable Spatial-Temporal Interaction Graph Convolution Network for Pedestrian Trajectory Prediction
A Simple and Model-Free Path Filtering Algorithm for Smoothing and Accuracy
토론
이 논문과 연결된 포럼 글이 아직 없습니다.