안전 필수 (Safety-critical) 교통 시나리오 생성은 드물지만 위험도가 높은 상호작용 상황에서 자율 주행 시스템을 평가하는 데 필수적입니다. 기존의 확산 기반 (diffusion-based) 방법론들은 폐루프 (closed-loop) 생성 시 강력한 제어 가능성을 제공하지만, 반복적인 노이즈 제거 (denoising) 과정이 계산 비용이 많이 들며, 긴 롤아웃 (rollout) 동안 샘플링 및 가이드 오류가 누적되어 지터 (jitter), 비정상적인 가속도, 도로 이탈 (off-road) 행동과 같은 비현실적인 움직임 아티팩트 (artifacts)를 유발할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 미래 궤적 생성을 액션 공간 (action space)에서의 전송 (transport)으로 공식화하는 폐루프 안전 필수 멀티 에이전트 (multi-agent) 교통 생성 프레임워크인 RiskFlow를 제안합니다. RiskFlow는 반복적인 노이즈 제거에 의존하는 대신, 유한한 구간 동안의 평균 속도장 (average velocity field)을 학습하여 단 한 번의 순방향 패스 (forward pass)만으로 가우시안 (Gaussian) 액션 시퀀스를 미래의 가속도 및 요 레이트 (yaw-rate) 명령으로 변환하며, 효율적이고 안정적인 학습을 위해 JVP 기반의 목적 함수를 사용합니다. 테스트 시점에 RiskFlow는 생성된 액션에 출력 공간 가이드 (output-space guidance)를 적용하여, 선택된 핵심 에이전트들을 위험한 상호작용으로 유도하는 동시에 도로 이탈 행동을 규제하며, 차량 역학 (vehicle dynamics)을 통해 물리적으로 실행 가능한 궤적을 재구성합니다. tbsim 폐루프 평가를 통한 nuScenes 데이터셋에서의 실험 결과, RiskFlow는 멀티 에이전트 및 장기 호라이즌 (long-horizon) 설정 전반에 걸쳐 강력한 적대성-실제성 (adversariality-realism) 트레이드오프를 달성함을 보여줍니다. 대표적인 베이스라인 (baselines) 모델들과 비교했을 때, RiskFlow는 경쟁력 있는 안전 필수 생성 능력을 유지하면서도 실제성을 일관되게 향상시키며, 평가를 위한 추론 시간 (inference time)을 대폭 단축합니다.