論文の概要: Evaluating Generative Vehicle Trajectory Models for Traffic Intersection Dynamics

• arxiv url: http://arxiv.org/abs/2506.08963v1
• Date: Tue, 10 Jun 2025 16:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.867609
• Title: Evaluating Generative Vehicle Trajectory Models for Traffic Intersection Dynamics
• Title（参考訳）: 交通インターセクションダイナミクスのための生成車両軌道モデルの評価
• Authors: Yash Ranjan, Rahul Sengupta, Anand Rangarajan, Sanjay Ranka,
• Abstract要約: 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。
• 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 Intersections are vital to urban road networks as they regulate the movement of people and goods. However, they are regions of conflicting trajectories and are prone to accidents. Deep Generative models of traffic dynamics at signalized intersections can greatly help traffic authorities better understand the efficiency and safety aspects. At present, models are evaluated on computational metrics that primarily look at trajectory reconstruction errors. They are not evaluated online in a `live' microsimulation scenario. Further, these metrics do not adequately consider traffic engineering-specific concerns such as red-light violations, unallowed stoppage, etc. In this work, we provide a comprehensive analytics tool to train, run, and evaluate models with metrics that give better insights into model performance from a traffic engineering point of view. We train a state-of-the-art multi-vehicle trajectory forecasting model on a large dataset collected by running a calibrated scenario of a real-world urban intersection. We then evaluate the performance of the prediction models, online in a microsimulator, under unseen traffic conditions. We show that despite using ideally-behaved trajectories as input, and achieving low trajectory reconstruction errors, the generated trajectories show behaviors that break traffic rules. We introduce new metrics to evaluate such undesired behaviors and present our results.
• Abstract（参考訳）: 交通区間は人や商品の移動を規制する都市道路網にとって不可欠である。 しかし、それらは矛盾する軌道の領域であり、事故を起こしやすい。 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大いに役立ちます。 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。 これらは'生きた'マイクロシミュレートのシナリオでは評価されない。 さらに、これらのメトリクスは、赤信号違反、許可されていない停止ページなど、交通工学特有の懸念を適切に考慮していません。 この作業では、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でモデルをトレーニング、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。 我々は、実世界の都市交差点のキャリブレーションシナリオを実行して収集した大規模なデータセット上で、最先端の多車軌道予測モデルを訓練する。 次に,未確認の交通条件下でのマイクロシミュレータによる予測モデルの性能評価を行った。 理想的な軌道を入力として使用し,低軌道再構成誤差を達成しているにもかかわらず,生成した軌道は交通規則を破る挙動を示す。 このような望ましくない行動を評価するための新しい指標を導入し、その結果を示す。

関連論文リスト

• IntTrajSim: Trajectory Prediction for Simulating Multi-Vehicle driving at Signalized Intersections [8.484294935626224]
  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。
  論文  参考訳（メタデータ） (2025-06-10T16:27:42Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• 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)
• Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes [0.7614628596146602]
  本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。 OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。 この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
  論文  参考訳（メタデータ） (2023-12-27T14:44:58Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis [6.8775337739726226]
  本稿では,グラフ畳み込み深層学習アルゴリズムに基づく交通予測手法を提案する。 本研究では,宮内庁旅行調査の人的活動頻度データを活用し,活動と交通パターンの因果関係の推測能力を高める。
  論文  参考訳（メタデータ） (2023-08-20T14:31:55Z)
• RTGNN: A Novel Approach to Model Stochastic Traffic Dynamics [9.267045415696263]
  RTGNN(Recurrent Traffic Graph Neural Network)を提案する。 RTGNNはマルコフモデルであり、エゴ車両の運動に条件付けられた将来の交通状態を推測することができる。 我々は、トラフィックダイナミックスの本質的な部分的可観測性を反映するために、トラフィック状態の一部として、エージェントの隠れ状態である"意図"を明示的にモデル化する。
  論文  参考訳（メタデータ） (2022-02-21T03:55:00Z)
• 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)
• 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)

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。