폐쇄 루프 교통 모델링에서 지역 관찰과 전역 시뮬레이션 간의 격차 해소

Bridging Local Observation and Global Simulation in Closed-Loop Traffic Modeling

자기 중심 주행 로그로 학습된 자기 회귀 교통 시뮬레이터가 전역적으로 관찰 가능한 폐쇄 루프 환경에 배포될 때, 지역-전역 맥락 불일치가 발생합니다. 이러한 로그에서 자율 차량은 풍부한 지역 정보를 가지고 있지만, 인식 능력의 한계와 가려짐 현상으로 인해 주변 에이전트는 부분적으로만 관찰됩니다. 그 결과, 시뮬레이터는 로그 기반 학습에서는 숨겨져 있지만 폐쇄 루프 실행 중에 나타나는 불완전한 맥락-행동 매핑을 학습할 수 있으며, 이는 비정상적인 정지, 안전하지 않은 상호 작용 및 규칙 위반과 같은 비현실적인 행동으로 이어질 수 있습니다. 우리는 자기 지도 기반 오류 탐색 및 선호도 기반 테스트 시간 정렬을 통해 이러한 불일치를 완화하기 위한 문맥 선호도 정렬 프레임워크(CRAFT)를 제안합니다. CRAFT는 기본 시뮬레이터를 전역적으로 관찰 가능한 샌드박스로 간주하고, 로깅된 초기 상태로부터 다양한 가상 실행 결과를 생성하여 맥락에 의해 유발되는 오류를 파악합니다. 이러한 오류는 인간의 운전 기준과 연결되어 있으며, 문맥 선호도 평가기(CPE)를 학습하기 위한 선호도 기반 감독 신호로 변환됩니다. 추론 시, CPE는 플러그인 정렬 모듈 역할을 하며, 완전한 장면 맥락 하에서 후보 행동을 평가하고 자기 회귀 디코딩을 전역적으로 일관된 행동 방향으로 재가중합니다. CRAFT는 이러한 지역-전역 맥락 편향을 완화하여 기본 시뮬레이터를 재학습하지 않고 충돌을 31.2% 줄이고 교통 위반을 33.2% 감소시킵니다.

A local-to-global context mismatch arises when autoregressive traffic simulators trained on ego-centric driving logs are deployed in globally observable closed-loop environments. In such logs, the ego vehicle has rich local observations, while surrounding agents are only partially observed due to perception limits and occlusions. As a result, simulators may learn incomplete context--action mappings that remain hidden in log-based training but emerge during closed-loop rollouts, leading to unrealistic behaviors such as abnormal stops, unsafe interactions, and rule violations. We propose CRAFT, a Contextual pReference Alignment Framework for Traffic Simulation, to mitigate this mismatch via self-supervised failure discovery and preference-guided test-time alignment. CRAFT treats the base simulator as a globally observable sandbox, generating diverse what-if rollouts from logged initial states to expose context-induced failures. These failures are grounded with human-aligned driving priors and converted into preference supervision for training a Contextual Preference Evaluator (CPE). At inference time, CPE acts as a plug-in alignment module that scores candidate actions under complete scene context and reweights autoregressive decoding toward globally coherent behaviors. CRAFT mitigates this local-to-global contextual bias, reducing collisions by 31.2\% and traffic violations by 33.2\% without retraining the base simulator.