論文の概要: VFSI: Validity First Spatial Intelligence for Constraint-Guided Traffic Diffusion
- arxiv url: http://arxiv.org/abs/2509.23971v1
- Date: Sun, 28 Sep 2025 16:48:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.563332
- Title: VFSI: Validity First Spatial Intelligence for Constraint-Guided Traffic Diffusion
- Title（参考訳）: VFSI: 拘束誘導型交通拡散のための最初の空間知能
- Authors: Kargi Chauhan, Leilani H. Gilpin,
- Abstract要約: 現在のモデルは、物理的妥当性をアーキテクチャ要求よりも創発的な性質として扱う。
本稿では,拡散サンプリング中のエネルギーベース誘導による制約を強制する,妥当性第一空間知能(VFSI)を提案する。
200のシナリオで、VFSIは衝突率を67%(24.6%から8.1%)削減し、全体的な妥当性を87%(50.3%から94.2%)改善している。
- 参考スコア（独自算出の注目度）: 3.093890460224435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern diffusion models generate realistic traffic simulations but systematically violate physical constraints. In a large-scale evaluation of SceneDiffuser++, a state-of-the-art traffic simulator, we find that 50% of generated trajectories violate basic physical laws - vehicles collide, drive off roads, and spawn inside buildings. This reveals a fundamental limitation: current models treat physical validity as an emergent property rather than an architectural requirement. We propose Validity-First Spatial Intelligence (VFSI), which enforces constraints through energy-based guidance during diffusion sampling, without model retraining. By incorporating collision avoidance and kinematic constraints as energy functions, we guide the denoising process toward physically valid trajectories. Across 200 urban scenarios from the Waymo Open Motion Dataset, VFSI reduces collision rates by 67% (24.6% to 8.1%) and improves overall validity by 87% (50.3% to 94.2%), while simultaneously improving realism metrics (ADE: 1.34m to 1.21m). Our model-agnostic approach demonstrates that explicit constraint enforcement during inference is both necessary and sufficient for physically valid traffic simulation.
- Abstract（参考訳）: 近代拡散モデルは現実的な交通シミュレーションを生成するが、体系的に物理的制約に反する。
最先端の交通シミュレータであるSceneDiffuser++の大規模評価では、生成した軌道の50%が、衝突、道路の運転、建物内部での発散といった基本的な物理法則に違反していることがわかった。
現在のモデルは、物理的な妥当性をアーキテクチャの要件ではなく創発的な性質として扱う。
本稿では,モデル再学習なしに拡散サンプリング中のエネルギーベース誘導による制約を強制する,妥当性第一空間知能(VFSI)を提案する。
衝突回避とキネマティック制約をエネルギー関数として組み込むことで, 物理的に有効な軌道への認知過程を導出する。
Waymo Open Motion Datasetの200の都市シナリオで、VFSIは衝突率を67%(24.6%から8.1%)削減し、全体の妥当性を87%(50.3%から94.2%)改善し、同時にリアリズム指標(ADE: 1.34mから1.21m)を改善した。
我々のモデルに依存しないアプローチは、推論中の明示的な制約執行が、物理的に有効な交通シミュレーションに必要かつ十分であることを示す。
関連論文リスト
- When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。
PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
論文 参考訳（メタデータ） (2026-02-21T07:22:37Z) - Agentic Physical AI toward a Domain-Specific Foundation Model for Nuclear Reactor Control [3.9610256846446554]
最近のベンチマークでは、視覚言語モデルは基本的な量物理学のタスクで50～53%の精度しか達成していない。
パーセプション中心のアーキテクチャはパラメータ空間の模倣を最適化するが、セーフティクリティカルな制御は結果空間の保証を要求する。
本稿では,エージェント物理AIとして動作するコンパクト言語モデルを導入することにより,ドメイン固有基盤モデルに対する根本的に異なる経路を示す。
論文 参考訳（メタデータ） (2025-12-29T08:26:27Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - Dynamic Model Selection for Trajectory Prediction via Pairwise Ranking and Meta-Features [0.0]
最近の深い軌道予測器は、高い平均精度を達成したが、複雑な長距離運転シナリオでは信頼性が保たれている。
物理インフォームドLSTM, トランスフォーマー, 微調整されたGameFormerのうち, もっとも信頼性の高い軌道予測器を適応的に選択する動的マルチエキスパートゲーティングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-31T10:01:01Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - Safety-Prioritized, Reinforcement Learning-Enabled Traffic Flow Optimization in a 3D City-Wide Simulation Environment [0.0]
交通渋滞と衝突は、世界中の経済的、環境的、社会的課題を表している。
マクロな交通力学と微視的な交通力学を統合した総合的な3次元都市シミュレーション環境、衝突モデル、効率よりも安全性を優先するカスタム報酬関数を備えた強化学習フレームワークの3つの潜在的なツールが開発されている。
その結果,交通省のビジョンゼロ安全原則を取り入れた都市規模の3次元交通シミュレーションアプリケーションの実現可能性が確認された。
論文 参考訳（メタデータ） (2025-05-23T00:43:14Z) - RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。
次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。
微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
論文 参考訳（メタデータ） (2025-05-06T09:12:37Z) - SceneDiffuser: Efficient and Controllable Driving Simulation Initialization and Rollout [30.098214039454927]
現実的でインタラクティブなシーンシミュレーションは、自動運転車(AV)開発の鍵となる前提条件である。
本稿では,交通シミュレーションに先立って設計されたシーンレベルの拡散であるSceneDiffuserを紹介する。
新たな拡散復調パラダイムは、将来のシミュレーションステップに対して復調する計算コストを補正する。
論文 参考訳（メタデータ） (2024-12-05T18:06:53Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Efficient Text-driven Motion Generation via Latent Consistency Training [21.348658259929053]
非線形逆拡散軌道を解くための動き潜時整合トレーニングフレームワーク(MLCT)を提案する。
これらの拡張を組み合わせることで、非画素モダリティおよび潜在表現空間における安定かつ一貫性のあるトレーニングを実現する。
論文 参考訳（メタデータ） (2024-05-05T02:11:57Z) - 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)
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。