論文の概要: InfGen: Scenario Generation as Next Token Group Prediction
- arxiv url: http://arxiv.org/abs/2506.23316v1
- Date: Sun, 29 Jun 2025 16:18:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.827168
- Title: InfGen: Scenario Generation as Next Token Group Prediction
- Title（参考訳）: InfGen:次のTokenグループ予測としてシナリオ生成
- Authors: Zhenghao Peng, Yuxin Liu, Bolei Zhou,
- Abstract要約: InfGenは、エージェント状態とトラジェクトリを自動回帰的に出力するシナリオ生成フレームワークである。
実験により、InfGenは現実的で多様性があり、適応的な交通行動を生み出すことが示された。
- 参考スコア（独自算出の注目度）: 49.54222089551598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Realistic and interactive traffic simulation is essential for training and evaluating autonomous driving systems. However, most existing data-driven simulation methods rely on static initialization or log-replay data, limiting their ability to model dynamic, long-horizon scenarios with evolving agent populations. We propose InfGen, a scenario generation framework that outputs agent states and trajectories in an autoregressive manner. InfGen represents the entire scene as a sequence of tokens, including traffic light signals, agent states, and motion vectors, and uses a transformer model to simulate traffic over time. This design enables InfGen to continuously insert new agents into traffic, supporting infinite scene generation. Experiments demonstrate that InfGen produces realistic, diverse, and adaptive traffic behaviors. Furthermore, reinforcement learning policies trained in InfGen-generated scenarios achieve superior robustness and generalization, validating its utility as a high-fidelity simulation environment for autonomous driving. More information is available at https://metadriverse.github.io/infgen/.
- Abstract（参考訳）: 現実的でインタラクティブな交通シミュレーションは、自律運転システムの訓練と評価に不可欠である。
しかし、既存のデータ駆動シミュレーション手法の多くは静的初期化やログ再生データに依存しており、エージェントの個体群が進化するにつれて、動的で長期のシナリオをモデル化する能力を制限する。
エージェント状態とトラジェクトリを自己回帰的に出力するシナリオ生成フレームワークであるInfGenを提案する。
InfGenは、トラフィック信号、エージェント状態、モーションベクトルを含むトークンのシーケンスとしてシーン全体を表現し、時間とともにトラフィックをシミュレートするためにトランスフォーマーモデルを使用する。
この設計により、InfGenは新しいエージェントをトラフィックに連続的に挿入することができ、無限のシーン生成をサポートする。
実験により、InfGenは現実的で多様性があり、適応的な交通行動を生み出すことが示された。
さらに、InfGen生成シナリオで訓練された強化学習ポリシーは、より優れた堅牢性と一般化を実現し、自動運転のための高忠実性シミュレーション環境としての有用性を検証した。
詳細はhttps://metadriverse.github.io/infgen/.com/で確認できる。
関連論文リスト
- Long-term Traffic Simulation with Interleaved Autoregressive Motion and Scenario Generation [26.98977914185036]
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。
論文 参考訳（メタデータ） (2025-06-20T17:59:21Z) - 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) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - 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) - 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。