시뮬레이션에서의 셀프 플레이 (Self-play)는 대규모로 강력한 주행 정책 (driving policies)을 생성합니다. 이러한 행동의 시연은 가려진 에이전트 (occluded agents)에 대해서도 정확한 포즈 (poses) 및 속도 (velocities)와 같은 특권 벡터화 관측치 (privileged vectorized observations)를 사용하여 이루어져 왔습니다. 이는 인지 (perception) 문제가 해결되었다고 가정하며, 1인칭 카메라 (egocentric cameras)의 시점 (perspective view)에서 주행하는 배포된 에이전트의 부분적 관측 (partial observation) 사이의 표현 격차 (representation gap)를 유발합니다. 일반적인 해결책인 특권 정책 (privileged policy)을 카메라 입력 학생 모델 (camera-input student)로 증류 (distilling)하는 방식은, 학생 모델이 자신의 시야로는 정당화할 수 없는 결정을 모방하게 만듭니다. 대신, 우리는 시점 기반 셀프 플레이 (perspective-view self-play)를 실용적인 훈련 체계로 구축합니다. 우리는 각 에이전트의 1인칭 시야 (egocentric view)를 매 단계마다 렌더링하여 표현 격차 (representation gap)를 근본적으로 완화하는 GPU 가속 멀티 에이전트 주행 시뮬레이터인 Pictura를 소개합니다. Pictura는 단일 H100에서 최대 500K 에이전트 단계/초 (500K agent-steps/s, 2M 이미지/초)를 유지합니다. Pictura를 사용하여, 우리는 일반적인 PPO를 통한 셀프 플레이로 Alberti를 훈련합니다. 이는 특권 관측치 (privileged observations) 없이 시점 이미지 (perspective images)로부터 직접 훈련된 최초의 대규모 주행 셀프 플레이 정책입니다. 훈련은 약 3,500만 km의 주행을 위한 500억(50B) 에이전트 단계를 거칩니다. 이는 특권 벡터화 모델 (privileged vectorized counterpart)의 주행 성능에 근접하며, Pictura에서 재렌더링된 Waymo Open Motion Dataset 레이아웃으로 제로샷 (zero-shot) 전이 시 특권 벡터화 에이전트보다 뛰어난 성능을 보입니다. 프로젝트 페이지: https://valeoai.github.io/Pictura/