論文の概要: Navigating Heat Exposure: Simulation of Route Planning Based on Visual Language Model Agents
- arxiv url: http://arxiv.org/abs/2503.12731v1
- Date: Mon, 17 Mar 2025 01:49:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:30:48.022330
- Title: Navigating Heat Exposure: Simulation of Route Planning Based on Visual Language Model Agents
- Title（参考訳）: 走行熱露光:ビジュアル言語モデルエージェントに基づく経路計画のシミュレーション
- Authors: Haoran Ma, Kaihan Zhang, Jiannan Cai,
- Abstract要約: 既存の方法は、熱ストレス下での個々の生理的変動と環境認識機構を考慮できない。
本稿では,新しい視覚言語モデル (VLM) 駆動型ペルソナ・パーセプション・プランニング・メモリフレームワークを提案する。
我々のフレームワークは非常に費用対効果が高く、シミュレーションのコストは0.006USD、ルート当たり47.81秒である。
- 参考スコア（独自算出の注目度）: 0.25602836891933073
- License:
- Abstract: Heat exposure significantly influences pedestrian routing behaviors. Existing methods such as agent-based modeling (ABM) and empirical measurements fail to account for individual physiological variations and environmental perception mechanisms under thermal stress. This results in a lack of human-centred, heat-adaptive routing suggestions. To address these limitations, we propose a novel Vision Language Model (VLM)-driven Persona-Perception-Planning-Memory (PPPM) framework that integrating street view imagery and urban network topology to simulate heat-adaptive pedestrian routing. Through structured prompt engineering on Gemini-2.0 model, eight distinct heat-sensitive personas were created to model mobility behaviors during heat exposure, with empirical validation through questionnaire survey. Results demonstrate that simulation outputs effectively capture inter-persona variations, achieving high significant congruence with observed route preferences and highlighting differences in the factors driving agents decisions. Our framework is highly cost-effective, with simulations costing 0.006USD and taking 47.81s per route. This Artificial Intelligence-Generated Content (AIGC) methodology advances urban climate adaptation research by enabling high-resolution simulation of thermal-responsive mobility patterns, providing actionable insights for climate-resilient urban planning.
- Abstract（参考訳）: 熱暴露は歩行者の経路行動に大きな影響を及ぼす。
エージェント・ベース・モデリング(ABM)や経験的測定のような既存の手法では、個々の生理的変動や、熱ストレス下での環境認知機構を考慮できない。
この結果、人間中心の、熱順応的なルーティング提案が欠如している。
これらの制約に対処するために,街路ビュー画像と都市ネットワークトポロジを統合して,熱適応型歩行者ルーティングをシミュレートする,視覚言語モデル(VLM)駆動のPersona-Perception-Planning-Memory(PPPM)フレームワークを提案する。
Gemini-2.0モデルを用いた構造的プロンプトエンジニアリングにより, 熱暴露時の移動挙動をモデル化し, アンケートによる実証検証を行った。
その結果、シミュレーションの出力は人格間の変動を効果的に捉え、観察された経路選好と有意な一致を実現し、エージェント決定を駆動する要因の違いを強調した。
我々のフレームワークは非常に費用対効果が高く、シミュレーションのコストは0.006USD、ルート当たり47.81秒である。
このAIGC(Artificial Intelligence-Generated Content)手法は、温熱応答型モビリティパターンの高分解能シミュレーションを可能にし、耐気候性都市計画のための実用的な洞察を提供することにより、都市気候適応研究を推進している。
関連論文リスト
- Integrating Spatiotemporal Vision Transformer into Digital Twins for High-Resolution Heat Stress Forecasting in Campus Environments [14.46777973030641]
本研究は, 熱ストレス予測と意思決定を強化するため, 気候時空間デジタルツインフレームワークを提案する。
テキサス州のキャンパスをテストベッドとして,空間および気象データを用いて高分解能物理モデルシミュレーションを合成し,微細な人体熱予測法を開発した。
論文 参考訳（メタデータ） (2025-02-12T05:27:16Z) - Dream to Drive with Predictive Individual World Model [12.05377034777257]
本稿では,自律運転のための予測的個別世界モデル(PIWM)を用いたモデルベース強化学習(MBRL)手法を提案する。
PIWMは、運転環境を個人レベルで記述し、車両の対話的関係と意図を捉える。
PIWMの想像力で訓練され、意図を意識した潜伏状態を活用する都市運転シーンで効果的にナビゲートする。
論文 参考訳（メタデータ） (2025-01-28T06:18:29Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Towards Causal Representations of Climate Model Data [18.82507552857727]
この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。
以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
論文 参考訳（メタデータ） (2023-12-05T16:13:34Z) - 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) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - Decision Making for Autonomous Driving in Interactive Merge Scenarios
via Learning-based Prediction [39.48631437946568]
本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。
我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。
POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
論文 参考訳（メタデータ） (2023-03-29T16:12:45Z) - 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) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - A Transfer Learning approach to Heatmap Regression for Action Unit
intensity estimation [50.261472059743845]
アクション・ユニット(英: Action Units、AUs)は、幾何学に基づく原子性顔面筋運動である。
本稿では,その位置と強度を共同で推定する新しいAUモデリング問題を提案する。
ヒートマップは、所定の空間的位置でAUが発生するか否かをモデル化する。
論文 参考訳（メタデータ） (2020-04-14T16:51:13Z)
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。