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

• 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。