論文の概要: SUMO-MCP: Leveraging the Model Context Protocol for Autonomous Traffic Simulation and Optimization

• arxiv url: http://arxiv.org/abs/2506.03548v1
• Date: Wed, 04 Jun 2025 04:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.142377
• Title: SUMO-MCP: Leveraging the Model Context Protocol for Autonomous Traffic Simulation and Optimization
• Title（参考訳）: SUMO-MCP:自律的な交通シミュレーションと最適化のためのモデルコンテキストプロトコルの活用
• Authors: Chenglong Ye, Gang Xiong, Junyou Shang, Xingyuan Dai, Xiaoyan Gong, Yisheng Lv,
• Abstract要約: 我々はSUMOのコアユーティリティを統一ツールスイートにラップする新しいプラットフォームであるSUMO-MCPを紹介する。 SUMO-MCPを使用すると、ユーザーはOpenStreetMapデータからトラフィックシナリオを生成するための単純な自然言語プロンプトを発行できる。
• 参考スコア（独自算出の注目度）: 12.600879743310374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic simulation tools, such as SUMO, are essential for urban mobility research. However, such tools remain challenging for users due to complex manual workflows involving network download, demand generation, simulation setup, and result analysis. In this paper, we introduce SUMO-MCP, a novel platform that not only wraps SUMO' s core utilities into a unified tool suite but also provides additional auxiliary utilities for common preprocessing and postprocessing tasks. Using SUMO-MCP, users can issue simple natural-language prompts to generate traffic scenarios from OpenStreetMap data, create demand from origin-destination matrices or random patterns, run batch simulations with multiple signal-control strategies, perform comparative analyses with automated reporting, and detect congestion for signal-timing optimization. Furthermore, the platform allows flexible custom workflows by dynamically combining exposed SUMO tools without additional coding. Experiments demonstrate that SUMO-MCP significantly makes traffic simulation more accessible and reliable for researchers. We will release code for SUMO-MCP at https://github.com/ycycycl/SUMO-MCP in the future.
• Abstract（参考訳）: SUMOのような交通シミュレーションツールは都市移動研究に不可欠である。 しかし、ネットワークダウンロード、需要生成、シミュレーション設定、結果分析を含む複雑な手動ワークフローのため、そのようなツールは依然としてユーザにとって困難なままである。 本稿では、SUMOのコアユーティリティを統一ツールスイートにラップするだけでなく、一般的な前処理や後処理タスクのための補助ユーティリティを提供する新しいプラットフォームであるSUMO-MCPを紹介する。 SUMO-MCPを使用すると、ユーザーはOpenStreetMapデータからトラフィックシナリオを生成するための単純な自然言語プロンプトを発行し、起点決定行列やランダムパターンから要求を生成し、複数の信号制御戦略でバッチシミュレーションを実行し、自動レポートで比較分析を行い、信号の最適化のための混雑を検出することができる。 さらにプラットフォームは、追加のコーディングをすることなく、公開のSUMOツールを動的に組み合わせることで、フレキシブルなカスタムワークフローを可能にする。 実験により、SUMO-MCPは、研究者にとって交通シミュレーションをよりアクセシブルで信頼性の高いものにすることが示された。 将来、SUMO-MCPのコードをhttps://github.com/ycycycl/SUMO-MCPでリリースします。

関連論文リスト

• LAM SIMULATOR: Advancing Data Generation for Large Action Model Training via Online Exploration and Trajectory Feedback [121.78866929908871]
  AIエージェントのための大規模アクションモデル(LAM)は、素晴らしいポテンシャルを提供するが、高品質なトレーニングデータを必要とするため、課題に直面している。 LAM SIMULATORは,高品質なフィードバックによるエージェントタスクのオンライン探索を目的とした総合的なフレームワークである。 本フレームワークは,動的タスククエリジェネレータ,広範囲なツールコレクション,および大規模言語モデル(LLM)エージェントがツールを呼び出し,リアルタイムフィードバックを受信できる対話型環境を備えている。
  論文  参考訳（メタデータ） (2025-06-02T22:36:02Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban MObility [5.111204055180423]
  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。
  論文  参考訳（メタデータ） (2024-08-29T03:59:11Z)
• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。 このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。 MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• 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)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• AutoEn: An AutoML method based on ensembles of predefined Machine Learning pipelines for supervised Traffic Forecasting [1.6242924916178283]
  交通予測(TF)は、将来の交通状況を予測することで交通渋滞を緩和する能力により、関連性が高まっている。 TFは、モデル選択問題(MSP)として知られる機械学習パラダイムに大きな課題を提起する。 事前に定義されたMLパイプラインの集合からマルチクラス化アンサンブルを自動生成する,シンプルで効率的な手法であるAutoEnを紹介する。
  論文  参考訳（メタデータ） (2023-03-19T18:37:18Z)
• 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)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• RecSim NG: Toward Principled Uncertainty Modeling for Recommender Ecosystems [35.302081092634985]
  RecSim NGはレコメンダシステムのシミュレーションのための確率的プラットフォームである。 推論と潜在変数モデル学習のためのツールを提供する。 レコメンダーエコシステムの透過的なエンドツーエンドモデルを作成するために使用できます。
  論文  参考訳（メタデータ） (2021-03-14T22:37:42Z)
• PipeSim: Trace-driven Simulation of Large-Scale AI Operations Platforms [4.060731229044571]
  大規模AIシステムのためのトレース駆動シミュレーションに基づく実験・分析環境を提案する。 IBMが開発したプロダクショングレードAIプラットフォームの分析データは、包括的なシミュレーションモデルを構築するために使用される。 独立して独立したイベントシミュレーターでモデルを実装し、実験を行うためのツールキットを提供する。
  論文  参考訳（メタデータ） (2020-06-22T19:55:37Z)

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。