Resumo Técnico: PersonaDrive

Definição do Problema

Simuladores de condução de malha fechada (closed-loop), essenciais para o treinamento e avaliação de políticas de condução autónoma, sofrem atualmente com uma falta de diversidade comportamental nos agentes de tráfego não-ego. Os ambientes existentes dependem de gestores de tráfego baseados em regras ou modelos aprendidos treinados em direção a um único modo comportamental, produzindo um tráfego homogéneo que falha em capturar a heterogeneidade estilística dos condutores humanos reais (variando de conservadores a agressivos). Esta lacuna restringe a generalização das políticas ego, particularmente em cenários de alta interação, como fusões de vias e conversões sem preferência.

As tentativas atuais de introduzir variação de estilo enfrentam três limitações primárias:

1. Sinais de Proxy: Métodos que dependem de rótulos observacionais post-hoc ou pesos de recompensa inferidos por LLM atuam como proxies de estilo, em vez de capturarem o comportamento humano real quando instruídos explicitamente a conduzir num estilo específico.
2. Limitações de Base de Dados Única: As abordagens de recuperação existentes utilizam uma única base de dados partilhada, tornando impossível distinguir quais os exemplos recuperados são relevantes para um estilo de condução específico.
3. Desalinhamento: Abordagens que utilizam LLMs para aproximar recompensas de estilo introduzem camadas de desalinhamento entre a instrução de estilo e o comportamento de condução resultante, uma vez que a estimativa de um LLM sobre "condução agressiva" pode não refletir a execução humana real.

Metodologia

Os autores introduzem o PersonaDrive, um pipeline que condiciona um agente de condução Vision-Language-Action (VLA) em demonstrações recuperadas de um conjunto de dados de condução humana instruída por estilo. O sistema opera através de três estágios distintos:

1. Recolha de Dados: Condução Humana Instruída por Estilo

Um conjunto de dados controlado foi recolhido utilizando um rig driver-in-the-loop com $M=8$ participantes. Cada participante conduziu rotas do CARLA Leaderboard sob três instruções explícitas: Conservadora, Neutra e Agressiva.

• Desacoplamento: O design desacopla o estilo da identidade do condutor, fazendo com que cada participante conduza as mesmas rotas sob os três estilos.
• Anotações: Os dados incluem RGB de vista frontal, estado ego (velocidade, aceleração, direção, comando), alvos de GPS e waypoints. As anotações post-hoc incluem descrições de cena via VQA (Visual Question Answering) e comentários de texto livre.

2. Pipeline de Treino de Três Estágios

Estágio 1: Mineração de Triplet Offline
Para determinar a similaridade comportamental, o sistema constrói "frases de quadro" estruturadas para cada quadro de condução, combinando dados visuais com contexto de linguagem natural (VQA, comentários, comandos e waypoints executados). Uma pontuação de similaridade combinada ($\sigma$) é computada utilizando um codificador de visão SigLIP congelado e um codificador de frases BGE-M3 congelado. Esta pontuação guia a mineração de triplets de treino:

• Positivos: Quadros com alta similaridade combinada (mesma cena, contexto e ação).
• Hard Negatives: Quadros com alta similaridade visual, mas baixa similaridade de texto/contexto (comandos ou velocidades diferentes).
• Easy Negatives: Quadros com baixa similaridade em ambas as modalidades.

Estágio 2: Treino do Cabeçote de Recuperação (Retrieval Head)
Um modelo de recuperação leve é treinado para fundir características visuais congeladas com um codificador de controlo aprendido (processando velocidade, aceleração, direção e comando). Ao contrário do Estágio 1, nenhum codificador de texto é utilizado na inferência. O modelo é treinado nos triplets minerados utilizando uma perda de triplet ponderada que penaliza mais fortemente a confusão de hard negatives (visualmente semelhantes, mas comportamentalmente diferentes). Isto resulta num único cabeçote de recuperação partilhado que pode consultar bases de dados específicas de estilo.

Estágio 3: Fine-Tuning In-Context
O backbone VLA (baseado em SimLingo/InternVL2-1B) é ajustado (fine-tuned) para interpretar pontos de contexto recuperados como demonstrações comportamentais. Os dados de treino são uma mistura de trajetórias agnósticas ao estilo e os dados do PersonaDrive instruídos por estilo. O modelo aprende a prever waypoints para a cena atual por analogia aos $K=2$ exemplos recuperados, sem que sejam fornecidos explicitamente rótulos de estilo como input.

3. Mecanismo de Inferência

Na inferência, o sistema seleciona um estilo de condução ao trocar o índice FAISS consultado pelo cabeçote de recuperação (por exemplo, mudando do índice "Conservador" para o índice "Agressivo"). Os top-$K$ pontos de contexto recuperados são prefixados à observação atual como tokens de contexto. O backbone VLA prevê então os waypoints, que são decodificados por um controlador PID em comandos de aceleração, travagem e direção. Crucialmente, não é necessário o retreino do backbone por estilo; a mudança de estilo é uma operação de recuperação.

Principais Contribuições

1. Dataset Instruído por Estilo: Um novo conjunto de dados onde condutores humanos executam explicitamente três estilos distintos através de diversos cenários de tráfego, desacoplando o estilo da identidade do condutor para permitir a supervisão direta do comportamento condicionado ao estilo.
2. Arquitetura Triplet-RAG: Uma arquitetura inovadora onde o controlo de estilo é alcançado através de demonstrações humanas recuperadas, em vez de tokens fixos, recompensas de proxy ou fine-tuning de modelo por estilo. Isto permite que um único backbone partilhado suporte múltiplos comportamentos humanos distintos.
3. Troca de Estilo Eficiente: Um mecanismo onde a alteração do estilo de condução na inferência requer apenas a troca do índice FAISS, evitando o custo computacional de retreinar ou manter múltiplos pesos de modelo.

Resultados

Avaliado no benchmark de malha fechada Bench2Drive:

• Performance Sem Estilo: O PersonaDrive (sem condicionamento de estilo) alcançou um Driving Score (DS) de 88.95, superando o SimLingo (85.07) em 4.6% e o HiP-AD (86.77) em 2.5%. Isto demonstra que o pipeline de recuperação aumenta a capacidade de condução em malha fechada sem prejudicar o desempenho.
• Performance Condicionada ao Estilo: O PersonaDrive obteve o maior Driving Score em cada condição de estilo (Agressivo: 88.35, Neutro: 87.21, Conservador: 89.16).
  • Em todos os estilos, o PersonaDrive superou o baseline mais forte (DMW) por uma margem de 5.2 a 8.9 pontos de DS.
  • O modelo modulou com sucesso o comportamento de acordo com as instruções: a velocidade média aumentou 18% e a aceleração 25% ao passar da instrução Conservadora para a Agressiva.
  • As taxas de sucesso mantiveram-se competitivas com os baselines, enquanto as métricas de eficiência e conforto se alinharam com o estilo pretendido (ex: maior conforto para o Conservador, menor para o Agressivo).

Significância e Alegações

O artigo afirma que o PersonaDrive preenche a lacuna entre o tráfego simulado homogéneo e o tráfego real heterogéneo ao fundamentar os agentes do simulador em comportamentos humanos reais, em vez de sinais de proxy. Ao tratar o estilo como uma distribuição comportamental de classe fundamentada em instruções humanas explícitas, o sistema gera agentes não-ego diversos em estilo que melhoram a fidelidade das simulações de malha fechada.

Os autores enfatizam que a sua abordagem evita os erros de aproximação das recompensas inferidas por LLM e as limitações da recuperação de base de dados única. A capacidade de trocar estilos na inferência sem retreinar o backbone oferece uma solução escalável para popular simuladores com agentes de tráfego diversos e semelhantes aos humanos, melhorando assim a robustez das políticas de condução autónoma treinadas nestes ambientes.

O trabalho reconhece limitações, incluindo a natureza discreta do conjunto de estilos (versus a condução real contínua), o tamanho atual do grupo de participantes ($M=8$) e a dependência de uma única câmara frontal na simulação. O trabalho futuro está focado em modelação de estilo contínua, grupos de participantes maiores e transferência sim-to-real.