論文の概要: Toward Efficient and Robust Behavior Models for Multi-Agent Driving Simulation
- arxiv url: http://arxiv.org/abs/2512.05812v1
- Date: Fri, 05 Dec 2025 15:32:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:57.082842
- Title: Toward Efficient and Robust Behavior Models for Multi-Agent Driving Simulation
- Title（参考訳）: マルチエージェント運転シミュレーションのための効率的なロバスト動作モデルに向けて
- Authors: Fabian Konstantinidis, Moritz Sackmann, Ulrich Hofmann, Christoph Stiller,
- Abstract要約: マルチエージェント駆動シミュレーションは現実的で計算効率の良い行動モデルを必要とする。
インスタンス中心のシーン表現を採用し、各トラフィック参加者と要素マップをそれぞれのローカル座標フレームでモデル化する。
インタラクションをモデル化するために、ローカルフレーム間の相対的な位置エンコーディングを備えたクエリ中心の対称コンテキストエンコーダを用いる。
- 参考スコア（独自算出の注目度）: 4.713158796503602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scalable multi-agent driving simulation requires behavior models that are both realistic and computationally efficient. We address this by optimizing the behavior model that controls individual traffic participants. To improve efficiency, we adopt an instance-centric scene representation, where each traffic participant and map element is modeled in its own local coordinate frame. This design enables efficient, viewpoint-invariant scene encoding and allows static map tokens to be reused across simulation steps. To model interactions, we employ a query-centric symmetric context encoder with relative positional encodings between local frames. We use Adversarial Inverse Reinforcement Learning to learn the behavior model and propose an adaptive reward transformation that automatically balances robustness and realism during training. Experiments demonstrate that our approach scales efficiently with the number of tokens, significantly reducing training and inference times, while outperforming several agent-centric baselines in terms of positional accuracy and robustness.
- Abstract（参考訳）: スケーラブルなマルチエージェント駆動シミュレーションは、現実的かつ計算的に効率的である振る舞いモデルを必要とする。
我々は、個々の交通参加者を制御する行動モデルを最適化することで、この問題に対処する。
効率を向上させるために、各トラフィック参加者とマップ要素がそれぞれのローカル座標フレームでモデル化されるインスタンス中心のシーン表現を採用する。
この設計により、効率的な視点不変のシーンエンコーディングが可能になり、静的マップトークンをシミュレーションステップで再利用することができる。
インタラクションをモデル化するために、ローカルフレーム間の相対的な位置エンコーディングを備えたクエリ中心の対称コンテキストエンコーダを用いる。
逆逆強化学習(Adversarial Inverse Reinforcement Learning)を用いて行動モデルを学習し、トレーニング中のロバストネスとリアリズムを自動的にバランスさせる適応型報酬変換を提案する。
実験により,提案手法はトークン数で効率よくスケールし,トレーニング時間や推論時間を著しく短縮すると同時に,位置精度とロバストネスの点でエージェント中心のベースラインを上回った。
関連論文リスト
- Generalizable Trajectory Prediction via Inverse Reinforcement Learning with Mamba-Graph Architecture [6.590896800137733]
本稿では,人間的な意思決定を捉える新しい逆強化学習フレームワークを提案する。
学習した報酬関数を用いてエンコーダ・デコーダアーキテクチャによる出力の可能性を最大化する。
論文 参考訳（メタデータ） (2025-06-14T12:18:19Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - 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) - Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
逆強化学習問題として交通シミュレーションを定式化する。
動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。
提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
論文 参考訳（メタデータ） (2021-05-20T07:26:34Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - 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。