論文の概要: Differentiable Hybrid Traffic Simulation
- arxiv url: http://arxiv.org/abs/2210.08046v1
- Date: Fri, 14 Oct 2022 18:20:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 21:59:42.560679
- Title: Differentiable Hybrid Traffic Simulation
- Title(参考訳): 微分可能なハイブリッド交通シミュレーション
- Authors: Sanghyun Son, Yi-Ling Qiao, Jason Sewall, Ming C. Lin
- Abstract要約: 本稿では,マクロモデルと顕微鏡モデルの両方のハイブリッドモデルを用いて,トラフィックをシミュレートする,新しい差別化可能なハイブリッドトラフィックシミュレータを提案する。
これは、時間ステップと不均一レーン間のトラフィック状態の勾配を計算することができる、マクロおよびハイブリッドモデルの初めての微分可能なトラフィックシミュレータである。
- 参考スコア(独自算出の注目度): 29.86954929536965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel differentiable hybrid traffic simulator, which simulates
traffic using a hybrid model of both macroscopic and microscopic models and can
be directly integrated into a neural network for traffic control and flow
optimization. This is the first differentiable traffic simulator for
macroscopic and hybrid models that can compute gradients for traffic states
across time steps and inhomogeneous lanes. To compute the gradient flow between
two types of traffic models in a hybrid framework, we present a novel
intermediate conversion component that bridges the lanes in a differentiable
manner as well. We also show that we can use analytical gradients to accelerate
the overall process and enhance scalability. Thanks to these gradients, our
simulator can provide more efficient and scalable solutions for complex
learning and control problems posed in traffic engineering than other existing
algorithms. Refer to https://sites.google.com/umd.edu/diff-hybrid-traffic-sim
for our project.
- Abstract(参考訳): 本稿では,マクロモデルとミクロモデルのハイブリッドモデルを用いてトラフィックをシミュレートし,トラヒック制御とフロー最適化のためのニューラルネットワークに直接統合可能な,新しい微分可能なハイブリッドトラヒックシミュレータを提案する。
これは、時間ステップと不均質レーン間のトラフィック状態の勾配を計算できる、マクロおよびハイブリッドモデルのための最初の微分可能なトラフィックシミュレータである。
ハイブリッド・フレームワークにおける2種類の交通モデル間の勾配流を計算するために,車線を異なる方法で橋渡しする新しい中間変換成分を提案する。
分析的な勾配を使ってプロセス全体を加速し、拡張性を高めることも示しています。
これらの勾配により、我々のシミュレータは、既存のアルゴリズムよりも、交通工学で生じる複雑な学習と制御の問題に対して、より効率的でスケーラブルなソリューションを提供できる。
プロジェクトのhttps://sites.google.com/umd.edu/diff-hybrid-traffic-simを参照。
関連論文リスト
- A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。
モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文 参考訳(メタデータ) (2024-06-02T05:41:25Z) - Graph Attention Network for Lane-Wise and Topology-Invariant Intersection Traffic Simulation [8.600701437207725]
交差点に対する2つの効率的かつ正確な「デジタルツイン」モデルを提案する。
これらのデジタルツインは、交差点内の交通の時間的、空間的、文脈的な側面を捉えている。
本研究の応用は、車線再構成、運転行動分析、交差点の安全性と効率向上に関する情報決定の促進まで及んでいる。
論文 参考訳(メタデータ) (2024-04-11T03:02:06Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal
Traffic Modeling, Simulation and Visualization [0.6531546527140474]
本稿では,動的回帰に基づくトラフィック解析を統合した対話型トラフィックシミュレータRegTrafficを提案する。
RegTrafficは、1.3Km/hの平均正方形エラーと1.71Km/hのルート平均正方形エラーを効果的に予測できる。
論文 参考訳(メタデータ) (2022-11-23T03:34:27Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z) - Traffic Data Imputation using Deep Convolutional Neural Networks [2.7647400328727256]
我々は、よく訓練されたニューラルネットワークが、時間空間図から交通速度のダイナミクスを学習できることを示します。
提案手法は, 車両の侵入プローブレベルを5%以下に抑えることで, マクロな交通速度を再現できることを示す。
論文 参考訳(メタデータ) (2020-01-21T12:52:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。