論文の概要: LLM-based Human-like Traffic Simulation for Self-driving Tests

• arxiv url: http://arxiv.org/abs/2508.16962v1
• Date: Sat, 23 Aug 2025 09:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.272662
• Title: LLM-based Human-like Traffic Simulation for Self-driving Tests
• Title（参考訳）: LLMを用いた自動運転試験のための人間ライクな交通シミュレーション
• Authors: Wendi Li, Hao Wu, Han Gao, Bing Mao, Fengyuan Xu, Sheng Zhong,
• Abstract要約: 本稿では,認知理論と大規模言語モデル(LLM)を組み合わせ,現実的な交通シナリオを生成するHDSimを提案する。 実験により、HDSimをシミュレーションに組み込むことで、自動運転システムの安全性に重大な障害の検出が最大68%向上し、現実主義と矛盾する事故の解釈可能性が得られることが明らかになった。
• 参考スコア（独自算出の注目度）: 16.752944112972667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring realistic traffic dynamics is a prerequisite for simulation platforms to evaluate the reliability of self-driving systems before deployment in the real world. Because most road users are human drivers, reproducing their diverse behaviors within simulators is vital. Existing solutions, however, typically rely on either handcrafted heuristics or narrow data-driven models, which capture only fragments of real driving behaviors and offer limited driving style diversity and interpretability. To address this gap, we introduce HDSim, an HD traffic generation framework that combines cognitive theory with large language model (LLM) assistance to produce scalable and realistic traffic scenarios within simulation platforms. The framework advances the state of the art in two ways: (i) it introduces a hierarchical driver model that represents diverse driving style traits, and (ii) it develops a Perception-Mediated Behavior Influence strategy, where LLMs guide perception to indirectly shape driver actions. Experiments reveal that embedding HDSim into simulation improves detection of safety-critical failures in self-driving systems by up to 68% and yields realism-consistent accident interpretability.
• Abstract（参考訳）: 現実的な交通力学を保証することは、シミュレーションプラットフォームが現実に展開する前に自動運転システムの信頼性を評価するために必要不可欠である。 ほとんどの道路利用者は人間ドライバーであるため、シミュレーター内で様々な振る舞いを再現することが不可欠である。 しかし、既存のソリューションは通常、手作りのヒューリスティックまたは狭いデータ駆動モデルに依存し、実際の運転行動の断片のみをキャプチャし、限られた運転スタイルの多様性と解釈可能性を提供する。 このギャップに対処するために,認知理論と大言語モデル(LLM)を併用して,シミュレーションプラットフォーム内でスケーラブルで現実的なトラフィックシナリオを生成するHDSimを提案する。 このフレームワークは2つの方法で最先端を推し進める。 (i)多様な運転スタイルの特徴を表す階層型ドライバモデルを導入し、 (II)LLMがドライバ動作を間接的に形作るように知覚を誘導する知覚媒介行動影響戦略を開発する。 実験により、HDSimをシミュレーションに組み込むことで、自動運転システムの安全性に重大な障害の検出が最大68%向上し、現実主義と矛盾する事故の解釈可能性が得られることが明らかになった。

関連論文リスト

• Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors [2.773055342671194]
  本研究では,自然主義的人間運転先行と強化学習技術を用いた自然逆シナリオ生成ソリューションを提案する。 本研究は,本モデルにより,自然性と逆性の両方をカバーする現実的な安全クリティカルなテストシナリオを生成できることを示す。
  論文  参考訳（メタデータ） (2024-08-06T13:58:56Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• 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)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
  データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
  論文  参考訳（メタデータ） (2022-08-26T02:17:54Z)
• Augmented Driver Behavior Models for High-Fidelity Simulation Study of Crash Detection Algorithms [2.064612766965483]
  人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。 我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。 我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
  論文  参考訳（メタデータ） (2022-08-10T19:59:16Z)
• 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。