論文の概要: IntTrajSim: Trajectory Prediction for Simulating Multi-Vehicle driving at Signalized Intersections

• arxiv url: http://arxiv.org/abs/2506.08957v1
• Date: Tue, 10 Jun 2025 16:27:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.863037
• Title: IntTrajSim: Trajectory Prediction for Simulating Multi-Vehicle driving at Signalized Intersections
• Title（参考訳）: IntTrajSim:信号区間における多車両駆動シミュレーションのための軌道予測
• Authors: Yash Ranjan, Rahul Sengupta, Anand Rangarajan, Sanjay Ranka,
• Abstract要約: 交通シミュレータは道路インフラの運転効率に関する研究に広く利用されている。 彼らのルールに基づくアプローチは、現実世界の運転行動を模倣する能力を制限する。 生成軌道予測モデルを評価するために,交通工学関連指標を提案する。
• 参考スコア（独自算出の注目度）: 8.484294935626224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic simulators are widely used to study the operational efficiency of road infrastructure, but their rule-based approach limits their ability to mimic real-world driving behavior. Traffic intersections are critical components of the road infrastructure, both in terms of safety risk (nearly 28% of fatal crashes and 58% of nonfatal crashes happen at intersections) as well as the operational efficiency of a road corridor. This raises an important question: can we create a data-driven simulator that can mimic the macro- and micro-statistics of the driving behavior at a traffic intersection? Deep Generative Modeling-based trajectory prediction models provide a good starting point to model the complex dynamics of vehicles at an intersection. But they are not tested in a "live" micro-simulation scenario and are not evaluated on traffic engineering-related metrics. In this study, we propose traffic engineering-related metrics to evaluate generative trajectory prediction models and provide a simulation-in-the-loop pipeline to do so. We also provide a multi-headed self-attention-based trajectory prediction model that incorporates the signal information, which outperforms our previous models on the evaluation metrics.
• Abstract（参考訳）: 交通シミュレータは道路インフラの運転効率に関する研究に広く利用されているが、そのルールに基づくアプローチは現実の運転行動を模倣する能力を制限する。 交通の交差点は、安全リスク(致命的な事故の28%、非致命的な事故の58%)と道路回廊の運転効率の両方において、道路インフラの重要な要素である。 これは重要な疑問を提起する: 交通交差点における運転行動のマクロ統計とマイクロ統計を模倣できるデータ駆動シミュレータを作成できるか? 深部生成モデルに基づく軌道予測モデルは、交差点における車両の複雑な力学をモデル化するための出発点となる。 しかし、"生きた"マイクロシミュレーションシナリオではテストされず、交通工学関連のメトリクスでは評価されない。 本研究では,生成軌道予測モデルを評価するための交通工学関連指標を提案し,それを実現するためのシミュレーション・イン・ザ・ループパイプラインを提供する。 また、信号情報を組み込んだ多面的自己意図に基づく軌道予測モデルも提供し、評価指標における過去のモデルよりも優れていた。

関連論文リスト

• Evaluating Generative Vehicle Trajectory Models for Traffic Intersection Dynamics [8.484294935626224]
  信号交差点における交通力学の深部生成モデルは、交通当局が効率性と安全性の面をよりよく理解するのに役立ちます。 現在、軌道再構成誤差を主眼とする計算量に基づいてモデルの評価を行っている。 私たちは、交通工学の観点からモデルパフォーマンスに関するより良い洞察を提供するメトリクスを持つモデルを訓練、実行、評価するための総合的な分析ツールを提供しています。
  論文  参考訳（メタデータ） (2025-06-10T16:36:42Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
  インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。 本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:12:17Z)
• 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)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• 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)
• Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
  交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。 本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。 我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
  論文  参考訳（メタデータ） (2020-07-06T12:31:27Z)
• Learning Probabilistic Intersection Traffic Models for Trajectory Prediction [8.536503379429032]
  この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。 この方法は時系列位置軌跡のセットで示される。 モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
  論文  参考訳（メタデータ） (2020-02-05T19:22:26Z)

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。