論文の概要: ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban MObility

• arxiv url: http://arxiv.org/abs/2409.09040v1
• Date: Thu, 29 Aug 2024 03:59:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-22 21:50:24.038634
• Title: ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban MObility
• Title（参考訳）: ChatSUMO:都市運動シミュレーションによる交通シナリオの自動生成のための大規模言語モデル
• Authors: Shuyang Li, Talha Azfar, Ruimin Ke,
• Abstract要約: 大規模言語モデル(LLM)は、テキスト、音声、画像、ビデオなどのマルチモーダルな入力と出力を扱うことができる。 本稿では,言語処理スキルを統合し,抽象的および実世界のシミュレーションシナリオを生成するLLMベースのエージェントChatSUMOを提案する。 シミュレーション生成のために,オールバニ市における実世界のシミュレーションを96%の精度で作成した。
• 参考スコア（独自算出の注目度）: 5.111204055180423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs), capable of handling multi-modal input and outputs such as text, voice, images, and video, are transforming the way we process information. Beyond just generating textual responses to prompts, they can integrate with different software platforms to offer comprehensive solutions across diverse applications. In this paper, we present ChatSUMO, a LLM-based agent that integrates language processing skills to generate abstract and real-world simulation scenarios in the widely-used traffic simulator - Simulation of Urban MObility (SUMO). Our methodology begins by leveraging the LLM for user input which converts to relevant keywords needed to run python scripts. These scripts are designed to convert specified regions into coordinates, fetch data from OpenStreetMap, transform it into a road network, and subsequently run SUMO simulations with the designated traffic conditions. The outputs of the simulations are then interpreted by the LLM resulting in informative comparisons and summaries. Users can continue the interaction and generate a variety of customized scenarios without prior traffic simulation expertise. For simulation generation, we created a real-world simulation for the city of Albany with an accuracy of 96\%. ChatSUMO also realizes the customizing of edge edit, traffic light optimization, and vehicle edit by users effectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、テキスト、音声、画像、ビデオなどのマルチモーダルな入力と出力を扱うことができ、情報処理の方法を変えつつある。 プロンプトに対するテキスト応答を生成するだけでなく、さまざまなソフトウェアプラットフォームと統合して、さまざまなアプリケーションにまたがる包括的なソリューションを提供することもできる。 本稿では,LLMをベースとしたエージェントChatSUMOを提案する。このエージェントは,広範に使用されている交通シミュレータであるSUMO(Simulation of Urban Mobility)において,言語処理スキルを統合し,抽象的および実世界のシミュレーションシナリオを生成する。 我々の方法論は、pythonスクリプトの実行に必要な関連するキーワードに変換するユーザ入力にLLMを活用することから始まります。 これらのスクリプトは、指定されたリージョンを座標に変換し、OpenStreetMapからデータをフェッチし、それをロードネットワークに変換し、次に指定されたトラフィック条件でSUMOシミュレーションを実行するように設計されている。 シミュレーションの出力はLLMによって解釈され、情報的比較と要約をもたらす。 ユーザは、事前にトラフィックシミュレーションの専門知識を必要とせずに、対話を継続し、さまざまなカスタマイズシナリオを生成することができる。 シミュレーション生成のために,オールバニ市を対象とした実世界のシミュレーションを作成し,96\%の精度でシミュレーションを行った。 ChatSUMOはまた、エッジ編集、トラフィック光の最適化、利用者による車の編集を効果的にカスタマイズすることを実現する。

関連論文リスト

• Synthesizing Post-Training Data for LLMs through Multi-Agent Simulation [48.17611255751571]
  ポストトレーニングは、大きな言語モデルが人間の指示に従うことを可能にするために不可欠である。 マルチエージェントシミュレーションを利用して、さまざまなテキストベースのシナリオを自動的に生成する。 本稿では,シナリオ駆動型命令生成器MATRIX-Genを提案する。
  論文  参考訳（メタデータ） (2024-10-18T08:01:39Z)
• Generating Driving Simulations via Conversation [20.757088470174452]
  所望のシナリオと車両動作の合成において,非コーディング領域の専門家を支援するために,自然言語インタフェースを設計する。 非常に小さなトレーニングデータセットにもかかわらず、発話をシンボルプログラムに変換するのにそれを使うことは可能であることを示す。 人間の実験により、対話はシミュレーション生成の成功に不可欠であることが示され、拡張された会話に関わらず、世代よりも4.5倍の成功率が得られる。
  論文  参考訳（メタデータ） (2024-10-13T13:07:31Z)
• Promptable Closed-loop Traffic Simulation [57.36568236100507]
  ProSimはマルチモーダルプロンプト可能なクローズドループトラフィックシミュレーションフレームワークである。 ProSimはクローズドループ方式でトラフィックシナリオをロールアウトし、各エージェントと他のトラフィック参加者とのインタラクションをモデル化する。 高速な交通シミュレーションの研究を支援するため,マルチモーダル・プロンプト・インストラクト・520k(ProSim-Instruct-520k)を開発した。
  論文  参考訳（メタデータ） (2024-09-09T17:59:15Z)
• On Languaging a Simulation Engine [6.17566001699186]
  Lang2Simは、シミュレーションエンジンのランゲージング上で対話的なナビゲーションを可能にする言語間シミュレーションフレームワークである。 この研究は、シミュレーションエンジンのランゲージングの時代を解き放つための、インテリジェントなプラットフォームとしての言語モデルを確立する。
  論文  参考訳（メタデータ） (2024-02-26T11:01:54Z)
• 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)
• Editable Scene Simulation for Autonomous Driving via Collaborative LLM-Agents [49.11254369459406]
  ChatSimは、編集可能な3Dドライビングシーンシミュレーションを、外部デジタル資産を持つ自然言語コマンドで実現した最初のシステムである。 ChatSimは、フォトリアリスティックな結果を生成するために、新しいマルチカメラニューラルフィールド法を採用している。
  論文  参考訳（メタデータ） (2024-02-08T15:26:28Z)
• 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)
• 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)
• 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。