論文の概要: A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking
- arxiv url: http://arxiv.org/abs/2406.10661v1
- Date: Sat, 15 Jun 2024 14:58:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 23:23:59.274733
- Title: A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking
- Title（参考訳）: 交通システム最適化ベンチマークのためのGPU高速化大規模シミュレータ
- Authors: Jun Zhang, Wenxuan Ao, Junbo Yan, Depeng Jin, Yong Li,
- Abstract要約: トランスポートシステムシミュレーションのための,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、100万台以上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。
- 参考スコア（独自算出の注目度）: 23.04575933073716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the development of artificial intelligence techniques, transportation system optimization is evolving from traditional methods relying on expert experience to simulation and learning-based decision optimization methods. Learning-based optimization methods require extensive interaction with highly realistic microscopic traffic simulators for optimization. However, existing microscopic traffic simulators are computationally inefficient in large-scale scenarios and therefore significantly reduce the efficiency of the data sampling process of optimization algorithms. In addition, the optimization scenarios supported by existing simulators are limited, mainly focusing on the traffic signal control. To address these challenges and limitations, we propose the first open-source GPU-accelerated large-scale microscopic simulator for transportation system simulation. The simulator is able to iterate at 84.09Hz, which achieves 88.92 times computational acceleration in the large-scale scenario with more than a million vehicles compared to the best baseline. Based on the simulator, we implement a set of microscopic and macroscopic controllable objects and metrics to support most typical transportation system optimization scenarios. These controllable objects and metrics are all provided by Python API for ease of use. We choose five important and representative transportation system optimization scenarios and benchmark classical rule-based algorithms, reinforcement learning, and black-box optimization in four cities. The codes are available at \url{https://github.com/tsinghua-fib-lab/moss-benchmark} with the MIT License.
- Abstract（参考訳）: 人工知能技術の発展に伴い、輸送システムの最適化は、専門家の経験に基づく従来の手法から、シミュレーションや学習に基づく意思決定の最適化手法へと進化している。
学習に基づく最適化手法は、最適化のために非常に現実的な交通シミュレータとの広範囲な相互作用を必要とする。
しかし,既存の微視的交通シミュレータは大規模シナリオでは計算効率が悪く,最適化アルゴリズムのデータサンプリングの効率が著しく低下する。
さらに,既存のシミュレータがサポートする最適化シナリオは,主に信号制御に重点を置いている。
これらの課題と限界に対処するために,我々は,トランスポートシステムシミュレーションのための,最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。
このシミュレータは84.09Hzで反復可能であり、最高のベースラインに比べて100万台以上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。
シミュレーターに基づいて、一般的な輸送システムの最適化シナリオをサポートするために、顕微鏡的およびマクロ的な制御可能なオブジェクトとメトリクスのセットを実装した。
これらのコントロール可能なオブジェクトとメトリクスはすべて、Python APIによって簡単に使用するために提供されている。
5つの重要かつ代表的な交通システム最適化シナリオと、古典的なルールベースのアルゴリズムのベンチマーク、強化学習、ブラックボックス最適化を4つの都市で選択する。
コードはMITライセンスで \url{https://github.com/tsinghua-fib-lab/moss-benchmark} で入手できる。
関連論文リスト
- Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - CityFlowER: An Efficient and Realistic Traffic Simulator with Embedded
Machine Learning Models [25.567208505574072]
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。
論文 参考訳（メタデータ） (2024-02-09T01:19:41Z) - 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) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳（メタデータ） (2023-03-30T15:44:30Z) - 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) - Online Planning in POMDPs with Self-Improving Simulators [17.722070992253638]
私たちはオンラインで、時間とともに改善する近似的だがはるかに高速なシミュレータを学びます。
近似シミュレータが学習中に確実に効率的に計画を行うため,シミュレーション毎にどのシミュレータを使うかを適応的に決定する手法を開発した。
2つの大きなドメインの実験的結果は、POMCPと統合すると、我々のアプローチは時間とともに効率を向上して計画できることを示している。
論文 参考訳（メタデータ） (2022-01-27T09:41:59Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。
PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。
さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
論文 参考訳（メタデータ） (2021-10-20T17:06:09Z) - 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) - Black-Box Optimization with Local Generative Surrogates [6.04055755718349]
物理学や工学などの分野において、多くのプロセスは難易度を持つ非微分可能シミュレータでモデル化される。
本稿では,パラメータ空間の局所的近傍におけるシミュレータを近似するために,深部生成モデルを導入する。
パラメータ空間に対するシミュレータの依存性が低次元部分多様体に制約されている場合、本手法はベースライン法よりも高速にミニマを実現する。
論文 参考訳（メタデータ） (2020-02-11T19:02:57Z)
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。