論文の概要: Sky-Drive: A Distributed Multi-Agent Simulation Platform for Socially-Aware and Human-AI Collaborative Future Transportation

• arxiv url: http://arxiv.org/abs/2504.18010v1
• Date: Fri, 25 Apr 2025 01:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.60831
• Title: Sky-Drive: A Distributed Multi-Agent Simulation Platform for Socially-Aware and Human-AI Collaborative Future Transportation
• Title（参考訳）: Sky-Drive: ソーシャル・アウェアとヒューマン・AIのコラボレーティブ・フューチャー・トランスポートのための分散マルチエージェント・シミュレーション・プラットフォーム
• Authors: Zilin Huang, Zihao Sheng, Zhengyang Wan, Yansong Qu, Yuhao Luo, Boyue Wang, Pei Li, Yen-Jung Chen, Jiancong Chen, Keke Long, Jiayi Meng, Yue Leng, Sikai Chen,
• Abstract要約: 本稿では,新しい分散マルチエージェントシミュレーションプラットフォームであるSky-Driveを紹介する。 自律走行車(AV)-vulnerable road user(VRU)インタラクションモデリング、ヒューマン・イン・ザ・ループトレーニング、社会的に認識された強化学習、パーソナライズされた運転ポリシー、カスタマイズされたシナリオ生成など、さまざまなアプリケーションをサポートする。
• 参考スコア（独自算出の注目度）: 8.821410584051648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in autonomous system simulation platforms have significantly enhanced the safe and scalable testing of driving policies. However, existing simulators do not yet fully meet the needs of future transportation research, particularly in modeling socially-aware driving agents and enabling effective human-AI collaboration. This paper introduces Sky-Drive, a novel distributed multi-agent simulation platform that addresses these limitations through four key innovations: (a) a distributed architecture for synchronized simulation across multiple terminals; (b) a multi-modal human-in-the-loop framework integrating diverse sensors to collect rich behavioral data; (c) a human-AI collaboration mechanism supporting continuous and adaptive knowledge exchange; and (d) a digital twin (DT) framework for constructing high-fidelity virtual replicas of real-world transportation environments. Sky-Drive supports diverse applications such as autonomous vehicle (AV)-vulnerable road user (VRU) interaction modeling, human-in-the-loop training, socially-aware reinforcement learning, personalized driving policy, and customized scenario generation. Future extensions will incorporate foundation models for context-aware decision support and hardware-in-the-loop (HIL) testing for real-world validation. By bridging scenario generation, data collection, algorithm training, and hardware integration, Sky-Drive has the potential to become a foundational platform for the next generation of socially-aware and human-centered autonomous transportation research. The demo video and code are available at:https://sky-lab-uw.github.io/Sky-Drive-website/
• Abstract（参考訳）: 自律システムシミュレーションプラットフォームの最近の進歩は、運転ポリシーの安全でスケーラブルなテストを大幅に強化している。 しかし、既存のシミュレーターは、特に社会的に認識された運転エージェントのモデリングや効果的な人間とAIのコラボレーションの実現において、将来の交通研究のニーズを十分に満たしていない。 本稿では,これらの制約に対処する分散マルチエージェントシミュレーションプラットフォームであるSky-Driveを紹介する。 (a)複数の端末にまたがる同期シミュレーションのための分散アーキテクチャ b)多様なセンサを統合したマルチモーダル・ヒューマン・イン・ザ・ループ・フレームワークによる行動データ収集 (c)継続的かつ適応的な知識交換を支援する人間-AI協調機構、及び (d)現実の交通環境の高忠実な仮想レプリカを構築するためのデジタルツイン(DT)フレームワーク。 Sky-Driveは、自律走行車(AV)-vulnerable road user(VRU)インタラクションモデリング、ヒューマン・イン・ザ・ループトレーニング、社会的に認識された強化学習、パーソナライズされた運転ポリシー、カスタマイズされたシナリオ生成など、さまざまなアプリケーションをサポートしている。 将来の拡張では、コンテキスト認識による意思決定と、現実の検証のためのハードウェア・イン・ループ(HIL)テストのための基礎モデルが組み込まれる予定だ。 Sky-Driveは、シナリオ生成、データ収集、アルゴリズムトレーニング、ハードウェア統合をブリッジすることによって、次世代の社会認識および人間中心の自動運転研究のための基盤となる可能性を秘めている。 デモビデオとコードは、https://sky-lab-uw.github.io/Sky-Drive-website/.com/で公開されている。

関連論文リスト

• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Tactics2D: A Highly Modular and Extensible Simulator for Driving Decision-making [24.795867304772404]
  既存のシミュレータは、様々なシナリオや、交通参加者のためのインタラクティブな振る舞いモデルで不足することが多い。 Tactics2Dは、道路要素、交通規制、行動モデル、車両の物理シミュレーション、イベント検出機構を含む、交通シナリオ構築へのモジュラーアプローチを採用する。 ユーザは、パブリックデータセットとユーザによる実世界のデータの両方を活用することで、さまざまなシナリオで意思決定モデルを駆動するパフォーマンスを効果的に評価できる。
  論文  参考訳（メタデータ） (2023-11-18T12:31:34Z)
• Drive Anywhere: Generalizable End-to-end Autonomous Driving with Multi-modal Foundation Models [114.69732301904419]
  本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。 当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
  論文  参考訳（メタデータ） (2023-10-26T17:56:35Z)
• 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)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• 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)
• Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI Inference Engines in Autonomous Vehicles [1.688204090869186]
  本稿では、ディープラーニングモジュールに基づく自律運転アプリケーションのためのAI推論エンジンを開発するための新しいフレームワークを提案する。 我々は,ソフトウェア・イン・ザ・ループ(SiL)パラダイムに従って,クラウド上でプロトタイピングを行うAIコンポーネント開発サイクルに対して,シンプルでエレガントなソリューションを導入する。 提案フレームワークの有効性は,自律走行車用AI推論エンジンの2つの実例を用いて実証した。
  論文  参考訳（メタデータ） (2020-09-23T09:23:29Z)

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。