論文の概要: Guided Conditional Diffusion for Controllable Traffic Simulation

• arxiv url: http://arxiv.org/abs/2210.17366v1
• Date: Mon, 31 Oct 2022 14:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 14:56:12.167990
• Title: Guided Conditional Diffusion for Controllable Traffic Simulation
• Title（参考訳）: 制御可能な交通シミュレーションのための誘導条件拡散
• Authors: Ziyuan Zhong, Davis Rempe, Danfei Xu, Yuxiao Chen, Sushant Veer, Tong Che, Baishakhi Ray, Marco Pavone
• Abstract要約: 制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。 本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
• 参考スコア（独自算出の注目度）: 42.198185904248994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controllable and realistic traffic simulation is critical for developing and verifying autonomous vehicles. Typical heuristic-based traffic models offer flexible control to make vehicles follow specific trajectories and traffic rules. On the other hand, data-driven approaches generate realistic and human-like behaviors, improving transfer from simulated to real-world traffic. However, to the best of our knowledge, no traffic model offers both controllability and realism. In this work, we develop a conditional diffusion model for controllable traffic generation (CTG) that allows users to control desired properties of trajectories at test time (e.g., reach a goal or follow a speed limit) while maintaining realism and physical feasibility through enforced dynamics. The key technical idea is to leverage recent advances from diffusion modeling and differentiable logic to guide generated trajectories to meet rules defined using signal temporal logic (STL). We further extend guidance to multi-agent settings and enable interaction-based rules like collision avoidance. CTG is extensively evaluated on the nuScenes dataset for diverse and composite rules, demonstrating improvement over strong baselines in terms of the controllability-realism tradeoff.
• Abstract（参考訳）: 制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 典型的なヒューリスティックベースの交通モデルは、車両が特定の軌跡や交通規則に従うように柔軟な制御を提供する。 一方、データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレーションから現実のトラフィックへの移行を改善する。 しかしながら、私たちの知る限りでは、制御性とリアリズムの両方を提供する交通モデルはありません。 本研究では,制御可能なトラヒック生成(ctg)のための条件拡散モデルを開発し,実験時の軌道の所望特性(目標到達や速度制限に従うなど)を,強制ダイナミクスによる現実性と物理的実現可能性を維持しながら制御できる。 鍵となる技術的アイデアは、拡散モデリングと微分可能論理の最近の進歩を活用して、信号時間論理(STL)を用いて定義された規則を満たすために生成された軌道を導くことである。 さらに,マルチエージェント設定へのガイダンスを拡張し,衝突回避などのインタラクションベースのルールを有効にする。 CTGはnuScenesデータセット上で多種多様かつ複合的なルールに対して広範囲に評価され、制御性-現実性トレードオフの観点から、強いベースラインよりも改善されたことを示す。

関連論文リスト

• Control-ITRA: Controlling the Behavior of a Driving Model [14.31198056147624]
  エージェントの動作に影響を与える制御ITRAと呼ばれる手法を,ウェイポイントの割り当てと目標速度の変調によって導入する。 本手法は, 可制御性, 無屈折性トラジェクトリを生成できると同時に, 視界と見えない位置の両方でリアリズムを保ち得ることを示す。
  論文  参考訳（メタデータ） (2025-01-17T03:35:11Z)
• Causal Composition Diffusion Model for Closed-loop Traffic Generation [31.52951126032351]
  本稿では,これらの課題に対処するための構造誘導拡散フレームワークであるCausal Compositional Diffusion Model (CCDiff)を紹介する。 まず、制約付き最適化問題として、制御可能で現実的な閉ループシミュレーションの学習を定式化する。 そして、CCDiffは拡散過程に直接因果構造を自動同定し注入することにより、現実主義に固執しながら制御性を最大化する。
  論文  参考訳（メタデータ） (2024-12-23T19:20:29Z)
• 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)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
  本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。 まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。 次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
  論文  参考訳（メタデータ） (2023-06-10T05:20:30Z)
• 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)
• RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics [9.267045415696263]
  RTGNN(Recurrent Traffic Graph Neural Network)を提案する。 RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。 我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
  論文  参考訳（メタデータ） (2022-02-21T03:55:00Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• 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)

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。