論文の概要: A GPU-accelerated Large-scale Simulator for Transportation System Optimization Benchmarking
- arxiv url: http://arxiv.org/abs/2406.10661v2
- Date: Wed, 02 Oct 2024 06:43:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:18:00.323312
- 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。
- 参考スコア(独自算出の注目度): 23.04575933073716
- License:
- 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 and optimization methods. Learning-based optimization methods require extensive interactions with highly realistic microscopic traffic simulators. However, existing microscopic traffic simulators are inefficient in large-scale scenarios and thus fail to support the adoption of these methods in large-scale transportation system optimization scenarios. In addition, the optimization scenarios supported by existing simulators are limited, mainly focusing on the traffic signal control. To address these challenges, we propose the first open-source GPU-accelerated large-scale microscopic simulator for transportation system simulation and optimization. The simulator can iterate at 84.09Hz, which achieves 88.92 times computational acceleration in the large-scale scenario with 2,464,950 vehicles compared to the best baseline CityFlow. Besides, it achieves a more realistic average road speeds simulated on real datasets by adopting the IDM model as the car-following model and the randomized MOBIL model as the lane-changing model. Based on it, we implement a set of microscopic and macroscopic controllable objects and metrics provided by Python API to support typical transportation system optimization scenarios. We choose five representative scenarios and benchmark classical rule-based algorithms, reinforcement learning algorithms, and black-box optimization algorithms in four cities. These experiments effectively demonstrate the usability of the simulator for large-scale traffic system optimization. The code of the simulator is available at https://github.com/tsinghua-fib-lab/moss. We build an open-registration web platform available at https://moss.fiblab.net to support no-code trials.
- 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、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、非常に現実的な微視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なシナリオでは非効率であり、大規模な交通システム最適化シナリオではこれらの手法が採用されない。
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。
これらの課題に対処するため、我々は、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、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、CityFlowと比較して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。
さらに、車追従モデルとしてIMMモデル、車線変更モデルとしてランダム化MOBILモデルを採用することにより、実際のデータセット上でシミュレーションされたより現実的な平均道路速度を実現する。
そこで我々は,Python APIが提供している,顕微鏡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,典型的な輸送システムの最適化シナリオをサポートする。
5つの代表的なシナリオを選択し、4つの都市で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。
これらの実験は,大規模交通システム最適化のためのシミュレータのユーザビリティを効果的に実証するものである。
シミュレータのコードはhttps://github.com/tsinghua-fib-lab/mossで公開されている。
ノーコードトライアルをサポートするために、https://moss.fiblab.netで利用可能なオープンレジストリWebプラットフォームを構築しています。
関連論文リスト
- 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) - Learning Performance-Improving Code Edits [107.21538852090208]
本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。
まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。
提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
論文 参考訳(メタデータ) (2023-02-15T18:59:21Z) - 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) - Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。
単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。
バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
論文 参考訳(メタデータ) (2021-03-12T00:22:50Z) - Application of an automated machine learning-genetic algorithm
(AutoML-GA) coupled with computational fluid dynamics simulations for rapid
engine design optimization [0.0]
本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。
遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。
その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
論文 参考訳(メタデータ) (2021-01-07T17:50:52Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - 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。