論文の概要: Systematic Benchmarking of SUMO Against Data-Driven Traffic Simulators

• arxiv url: http://arxiv.org/abs/2512.18537v1
• Date: Sat, 20 Dec 2025 23:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.45189
• Title: Systematic Benchmarking of SUMO Against Data-Driven Traffic Simulators
• Title（参考訳）: データ駆動型交通シミュレータに対するSUMOのシステムベンチマーク
• Authors: Erdao Liang,
• Abstract要約: 本稿では,モデルに基づく顕微鏡交通シミュレータSUMOの,最先端のデータ駆動交通シミュレータに対する系統的なベンチマークを行う。 スケーラブルな評価を実現するため,WOMDシナリオをSUMOシミュレーションに変換する自動パイプラインである2SUMOを開発した。 WOSACのベンチマークでは、SUMOは100パラメータ未満で0.653のリアリズムメタメトリックを達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a systematic benchmarking of the model-based microscopic traffic simulator SUMO against state-of-the-art data-driven traffic simulators using large-scale real-world datasets. Using the Waymo Open Motion Dataset (WOMD) and the Waymo Open Sim Agents Challenge (WOSAC), we evaluate SUMO under both short-horizon (8s) and long-horizon (60s) closed-loop simulation settings. To enable scalable evaluation, we develop Waymo2SUMO, an automated pipeline that converts WOMD scenarios into SUMO simulations. On the WOSAC benchmark, SUMO achieves a realism meta metric of 0.653 while requiring fewer than 100 tunable parameters. Extended rollouts show that SUMO maintains low collision and offroad rates and exhibits stronger long-horizon stability than representative data-driven simulators. These results highlight complementary strengths of model-based and data-driven approaches for autonomous driving simulation and benchmarking.
• Abstract（参考訳）: 本稿では,大規模実世界のデータセットを用いた最先端データ駆動型交通シミュレータに対して,モデルに基づく顕微鏡的交通シミュレータSUMOの系統的ベンチマークを行う。 Waymo Open Motion Dataset (WOMD) とWaymo Open Sim Agents Challenge (WOSAC) を用いて,SUMOを短距離 (8s) と長距離 (60s) の閉ループシミュレーション設定で評価する。 スケーラブルな評価を実現するため,WOMDシナリオをSUMOシミュレーションに変換する自動パイプラインであるWaymo2SUMOを開発した。 WOSACベンチマークでは、SUMOは0.653のリアリズムメタメトリックを達成し、調整可能なパラメータは100未満である。 ロールアウトの延長により、SUMOは衝突速度とオフロード速度を低く保ち、代表的なデータ駆動シミュレータよりも長い水平安定性を示した。 これらの結果は、自律運転シミュレーションとベンチマークのためのモデルベースおよびデータ駆動アプローチの相補的な強みを強調している。

関連論文リスト

• Gradient-based Trajectory Optimization with Parallelized Differentiable Traffic Simulation [24.95575815501035]
  インテリジェントドライバモデル(IDM)に基づく並列化微分可能交通シミュレータを提案する。 我々の車両シミュレーターは、車両の動きを効率的にモデル化し、現実世界のデータに合うように教師できる軌道を生成する。 このシミュレータを用いて、入力軌跡の雑音をフィルタリングし(軌道フィルタリング)、スパース軌跡から高密度軌跡を再構成し(軌道再構成)、将来の軌跡を予測する。
  論文  参考訳（メタデータ） (2024-12-21T19:53:38Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• 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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• 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)

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。