論文の概要: AirTrafficGen: Configurable Air Traffic Scenario Generation with Large Language Models
- arxiv url: http://arxiv.org/abs/2508.02269v1
- Date: Mon, 04 Aug 2025 10:21:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.289547
- Title: AirTrafficGen: Configurable Air Traffic Scenario Generation with Large Language Models
- Title（参考訳）: AirTrafficGen: 大規模言語モデルによる構成可能な航空交通シナリオ生成
- Authors: Dewi Sid William Gould, George De Ath, Ben Carvell, Nick Pepper,
- Abstract要約: 本稿では,複雑な航空交通制御シナリオを生成するためのエンドツーエンドアプローチを提案する。
本手法では,セクタートポロジを符号化するためにグラフベースの目的表現を用いる。
Gemini 2.5 ProやOpenAI o3のような最先端のモデルでは,高トラフィックのシナリオが生成可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.004807514276707785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The manual design of scenarios for Air Traffic Control (ATC) training is a demanding and time-consuming bottleneck that limits the diversity of simulations available to controllers. To address this, we introduce a novel, end-to-end approach, AirTrafficGen, that leverages large language models (LLMs) to automate and control the generation of complex ATC scenarios. Our method uses a purpose-built, graph-based representation to encode sector topology (including airspace geometry, routes, and fixes) into a format LLMs can process. Through rigorous benchmarking, we show that state-of-the-art models like Gemini 2.5 Pro and OpenAI o3 can generate high-traffic scenarios whilst maintaining operational realism. Our engineered prompting enables fine-grained control over interaction presence, type, and location. Initial findings suggest these models are also capable of iterative refinement, correcting flawed scenarios based on simple textual feedback. This approach provides a scalable alternative to manual scenario design, addressing the need for a greater volume and variety of ATC training and validation simulations. More broadly, this work showcases the potential of LLMs for complex planning in safety-critical domains.
- Abstract（参考訳）: 航空交通制御(ATC)訓練のためのシナリオの手動設計は、コントローラで利用可能なシミュレーションの多様性を制限する要求と時間を要するボトルネックである。
そこで我々は,大規模言語モデル(LLM)を活用して複雑なATCシナリオの自動生成と制御を行う,新しいエンドツーエンドアプローチであるAirTrafficGenを導入する。
LLMが処理可能なフォーマットにセクタートポロジ(空域幾何学、ルート、修正を含む)を符号化するために、目的に構築されたグラフベースの表現を使用する。
厳密なベンチマークを通じて、Gemini 2.5 ProやOpenAI o3のような最先端のモデルが、運用リアリズムを維持しながら高いトラフィックシナリオを生成可能であることを示す。
我々のエンジニアリングプロンプトは、相互作用の存在、タイプ、位置のきめ細かい制御を可能にする。
初期の知見から、これらのモデルは反復的な改善が可能であり、単純なテキストフィードバックに基づいて欠陥のあるシナリオを修正可能であることが示唆された。
このアプローチは手動のシナリオ設計に代わるスケーラブルな代替手段を提供し、ATCのトレーニングとバリデーションのシミュレーションの大規模化の必要性に対処する。
より広範に、この研究は、安全クリティカル領域における複雑な計画のためのLLMの可能性を示している。
関連論文リスト
- AGENTS-LLM: Augmentative GENeration of Challenging Traffic Scenarios with an Agentic LLM Framework [29.10278896946722]
本稿では,自然言語記述を用いた実世界の交通シナリオを拡張するためのLLM-agentベースのフレームワークを提案する。
重要な革新はエージェント設計を使用することで、出力のきめ細かい制御を可能にすることである。
論文 参考訳（メタデータ） (2025-07-18T08:20:16Z) - LLM-based Realistic Safety-Critical Driving Video Generation [4.537331974356809]
CARLAシミュレータ内の運転シナリオを自動的に合成するフレームワークを提案する。
このフレームワークはシナリオスクリプティング、トラフィック参加者の効率的なコードベースの制御、現実的な物理力学の実施において柔軟性がある。
本手法により,制御可能なシナリオ生成が可能となり,稀ではあるが重要なエッジケースの作成が容易になる。
論文 参考訳（メタデータ） (2025-07-02T00:45:19Z) - LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [94.84458417662404]
LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。
自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。
LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-04-15T17:14:06Z) - CtRL-Sim: Reactive and Controllable Driving Agents with Offline Reinforcement Learning [38.63187494867502]
CtRL-Simは、リターン条件付きオフライン強化学習(RL)を利用して、リアクティブで制御可能なトラフィックエージェントを効率的に生成する手法である。
CtRL-Simは,エージェントの挙動を詳細に制御しながら,現実的な安全クリティカルシナリオを生成可能であることを示す。
論文 参考訳（メタデータ） (2024-03-29T02:10:19Z) - 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) - 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) - Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。
まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。
次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文 参考訳（メタデータ） (2023-06-10T05:20:30Z) - 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 Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Learning Off-Policy with Online Planning [18.63424441772675]
本研究では,学習モデルと端末値関数を用いたHステップルックアヘッドの新たなインスタンス化について検討する。
ナビゲーション環境の集合に配置する際の安全性制約を組み込むLOOPの柔軟性を示す。
論文 参考訳（メタデータ） (2020-08-23T16:18:44Z)
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。