論文の概要: CityFlowER: An Efficient and Realistic Traffic Simulator with Embedded
Machine Learning Models
- arxiv url: http://arxiv.org/abs/2402.06127v1
- Date: Fri, 9 Feb 2024 01:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 18:17:57.382972
- Title: CityFlowER: An Efficient and Realistic Traffic Simulator with Embedded
Machine Learning Models
- Title(参考訳): cityflower:組み込み機械学習モデルによる効率的かつ現実的な交通シミュレータ
- Authors: Longchao Da, Chen Chu, Weinan Zhang, Hua Wei
- Abstract要約: CityFlowERは、効率的で現実的な都市交通シミュレーションのための高度なシミュレータである。
シミュレータ内に機械学習モデルが組み込まれており、外部APIインタラクションの必要がなくなる。
これは、特に大規模なシミュレーションにおいて、非並列な柔軟性と効率を提供する。
- 参考スコア(独自算出の注目度): 25.567208505574072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic simulation is an essential tool for transportation infrastructure
planning, intelligent traffic control policy learning, and traffic flow
analysis. Its effectiveness relies heavily on the realism of the simulators
used. Traditional traffic simulators, such as SUMO and CityFlow, are often
limited by their reliance on rule-based models with hyperparameters that
oversimplify driving behaviors, resulting in unrealistic simulations. To
enhance realism, some simulators have provided Application Programming
Interfaces (APIs) to interact with Machine Learning (ML) models, which learn
from observed data and offer more sophisticated driving behavior models.
However, this approach faces challenges in scalability and time efficiency as
vehicle numbers increase. Addressing these limitations, we introduce
CityFlowER, an advancement over the existing CityFlow simulator, designed for
efficient and realistic city-wide traffic simulation. CityFlowER innovatively
pre-embeds ML models within the simulator, eliminating the need for external
API interactions and enabling faster data computation. This approach allows for
a blend of rule-based and ML behavior models for individual vehicles, offering
unparalleled flexibility and efficiency, particularly in large-scale
simulations. We provide detailed comparisons with existing simulators,
implementation insights, and comprehensive experiments to demonstrate
CityFlowER's superiority in terms of realism, efficiency, and adaptability.
- Abstract(参考訳): 交通シミュレーションは交通インフラ計画、インテリジェントな交通制御政策学習、交通流解析に欠かせないツールである。
その効果は、使用するシミュレータのリアリズムに大きく依存する。
SUMOやCityFlowのような従来の交通シミュレータは、運転行動を単純化し、非現実的なシミュレーションをもたらすハイパーパラメータを持つルールベースのモデルに依存しているため、しばしば制限される。
現実性を高めるために、いくつかのシミュレーターは機械学習(ML)モデルと相互作用するアプリケーションプログラミングインタフェース(API)を提供し、観測データから学習し、より洗練された運転行動モデルを提供している。
しかし、このアプローチは車両数の増加に伴ってスケーラビリティと時間効率の課題に直面している。
そこで本研究では,都市全体の交通シミュレーションの効率化を目的とした都市フローシミュレータであるcityflowerについて紹介する。
CityFlowERは、エミュレータ内にMLモデルを革新的にプリ組込み、外部APIインタラクションの必要性を排除し、高速なデータ計算を可能にする。
このアプローチにより、個々の車両に対するルールベースとMLの振る舞いモデルを組み合わせることができ、特に大規模シミュレーションにおいて、非並列な柔軟性と効率を提供する。
本稿では,CityFlowERの現実性,効率,適応性の観点から,既存のシミュレータとの比較,実装インサイト,総合的な実験について述べる。
関連論文リスト
- A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking [23.04575933073716]
トランスポートシステムのシミュレーションと最適化のための,初のオープンソースGPU加速型大規模顕微鏡シミュレータを提案する。
シミュレータは84.09Hzで反復可能で、2,464,950台の車両で大規模シナリオで88.92倍の計算加速を達成している。
5つの代表的なシナリオを選択し、古典的なルールベースのアルゴリズム、強化学習アルゴリズム、ブラックボックス最適化アルゴリズムをベンチマークする。
論文 参考訳(メタデータ) (2024-06-15T14:58:17Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳(メタデータ) (2024-03-25T11:29:32Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - TransWorldNG: Traffic Simulation via Foundation Model [23.16553424318004]
データ駆動型アルゴリズムとグラフコンピューティング技術を用いて,実データからトラフィックダイナミクスを学習する交通シミュレータTransWordNGを提案する。
その結果,TransWorldNGは従来のシミュレータよりも現実的なトラフィックパターンを生成できることがわかった。
論文 参考訳(メタデータ) (2023-05-25T05:49:30Z) - 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) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。
我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。
コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
論文 参考訳(メタデータ) (2022-08-26T02:17:54Z) - 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)
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。