論文の概要: Long-term Traffic Simulation with Interleaved Autoregressive Motion and Scenario Generation

• arxiv url: http://arxiv.org/abs/2506.17213v1
• Date: Fri, 20 Jun 2025 17:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.590611
• Title: Long-term Traffic Simulation with Interleaved Autoregressive Motion and Scenario Generation
• Title（参考訳）: インターリーブ型自己回帰運動とシナリオ生成による長期交通シミュレーション
• Authors: Xiuyu Yang, Shuhan Tan, Philipp Krähenbühl,
• Abstract要約: 理想的なトラフィックシミュレータは、デプロイ中に自動運転システムが経験する現実的な長期的ポイントツーポイントトリップを再現する。 InfGenは、インターリーブドクローズドループモーションシミュレーションとシーン生成を行う統合型次世代予測モデルである。 InfGenは短期(9秒)のトラフィックシミュレーションにおいて最先端で動作し、長期(30秒)のシミュレーションでは他のすべての手法よりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 26.98977914185036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An ideal traffic simulator replicates the realistic long-term point-to-point trip that a self-driving system experiences during deployment. Prior models and benchmarks focus on closed-loop motion simulation for initial agents in a scene. This is problematic for long-term simulation. Agents enter and exit the scene as the ego vehicle enters new regions. We propose InfGen, a unified next-token prediction model that performs interleaved closed-loop motion simulation and scene generation. InfGen automatically switches between closed-loop motion simulation and scene generation mode. It enables stable long-term rollout simulation. InfGen performs at the state-of-the-art in short-term (9s) traffic simulation, and significantly outperforms all other methods in long-term (30s) simulation. The code and model of InfGen will be released at https://orangesodahub.github.io/InfGen
• Abstract（参考訳）: 理想的なトラフィックシミュレータは、デプロイ中に自動運転システムが経験する現実的な長期的ポイントツーポイントトリップを再現する。 先行モデルとベンチマークでは、シーン内の初期エージェントのクローズドループモーションシミュレーションに焦点が当てられている。 これは長期シミュレーションでは問題となる。 エージェントは、エゴ車両が新しい地域に入ると、シーンに入り出します。 InfGenは、インターリーブドクローズドループモーションシミュレーションとシーン生成を行う統合型次世代予測モデルである。 InfGenは、クローズドループモーションシミュレーションとシーン生成モードを自動的に切り替える。 安定した長期ロールアウトシミュレーションを可能にする。 InfGenは短期(9秒)のトラフィックシミュレーションにおいて最先端で動作し、長期(30秒)のシミュレーションでは他のすべての手法よりも大幅に優れています。 InfGenのコードとモデルはhttps://orangesodahub.github.io/InfGenでリリースされる。

関連論文リスト

• Pseudo-Simulation for Autonomous Driving [54.0732376977553]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• Scenario Dreamer: Vectorized Latent Diffusion for Generating Driving Simulation Environments [39.649242431308544]
  自動運転車計画のための完全データ駆動生成シミュレータであるScenario Dreamerを紹介した。 レーングラフとエージェントバウンディングボックスで構成される初期トラフィックシーンとクローズドループエージェントの動作の両方を生成する。 ケーススタディによると、Scenario Dreamerは、最強のベースラインに比べて、パラメータが約2倍、世代が6倍、トレーニング時間が10倍の優れた生成品質を達成している。
  論文  参考訳（メタデータ） (2025-03-28T15:03:41Z)
• Promptable Closed-loop Traffic Simulation [57.36568236100507]
  ProSimはマルチモーダルプロンプト可能なクローズドループトラフィックシミュレーションフレームワークである。 ProSimはクローズドループ方式でトラフィックシナリオをロールアウトし、各エージェントと他のトラフィック参加者とのインタラクションをモデル化する。 高速な交通シミュレーションの研究を支援するため,マルチモーダル・プロンプト・インストラクト・520k(ProSim-Instruct-520k)を開発した。
  論文  参考訳（メタデータ） (2024-09-09T17:59:15Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• 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)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• 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)

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。