論文の概要: TrafficSimAgent: A Hierarchical Agent Framework for Autonomous Traffic Simulation with MCP Control
- arxiv url: http://arxiv.org/abs/2512.20996v1
- Date: Wed, 24 Dec 2025 06:48:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-25 19:43:21.70456
- Title: TrafficSimAgent: A Hierarchical Agent Framework for Autonomous Traffic Simulation with MCP Control
- Title（参考訳）: TrafficSimAgent:MPP制御による自律的交通シミュレーションのための階層的エージェントフレームワーク
- Authors: Yuwei Du, Jun Zhang, Jie Feng, Zhicheng Liu, Jian Yuan, Yong Li,
- Abstract要約: TrafficSimAgentは、汎用的な交通シミュレーションタスクの実験設計と意思決定の最適化の専門家である。
このフレームワークは、専門家エージェント間のクロスレベルなコラボレーションを通じて実行を容易にする。
ユーザーの指示があいまいである場合でも、一貫して合理的な結果を生み出す。
- 参考スコア（独自算出の注目度）: 21.810319218786262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic simulation is important for transportation optimization and policy making. While existing simulators such as SUMO and MATSim offer fully-featured platforms and utilities, users without too much knowledge about these platforms often face significant challenges when conducting experiments from scratch and applying them to their daily work. To solve this challenge, we propose TrafficSimAgent, an LLM-based agent framework that serves as an expert in experiment design and decision optimization for general-purpose traffic simulation tasks. The framework facilitates execution through cross-level collaboration among expert agents: high-level expert agents comprehend natural language instructions with high flexibility, plan the overall experiment workflow, and invoke corresponding MCP-compatible tools on demand; meanwhile, low-level expert agents select optimal action plans for fundamental elements based on real-time traffic conditions. Extensive experiments across multiple scenarios show that TrafficSimAgent effectively executes simulations under various conditions and consistently produces reasonable outcomes even when user instructions are ambiguous. Besides, the carefully designed expert-level autonomous decision-driven optimization in TrafficSimAgent yields superior performance when compared with other systems and SOTA LLM based methods.
- Abstract（参考訳）: 交通シミュレーションは交通の最適化と政策立案に重要である。
SUMOやMATSimのような既存のシミュレーターは、十分に機能したプラットフォームとユーティリティを提供しているが、これらのプラットフォームについてあまり知識を持たないユーザは、スクラッチから実験を行い、日々の作業に適用する際に、重大な課題に直面することが多い。
そこで本研究では,LLMをベースとしたエージェントフレームワークであるTrafficSimAgentを提案する。
高いレベルの専門家エージェントは、高い柔軟性で自然言語命令を理解でき、全体的な実験ワークフローを計画し、要求に応じて対応するMPP互換ツールを起動し、一方、低レベルの専門家エージェントは、リアルタイムの交通状況に基づいて基本要素に対する最適なアクションプランを選択する。
複数のシナリオにわたる大規模な実験により、TrafficSimAgentは様々な条件下でシミュレーションを効果的に実行し、ユーザーの指示があいまいである場合でも一貫して合理的な結果を生成することが示された。
さらに、TrafficSimAgentにおける専門家レベルの自律的決定駆動最適化は、他のシステムやSOTA LLMベースの手法と比較して優れた性能が得られる。
関連論文リスト
- TongSIM: A General Platform for Simulating Intelligent Machines [59.27575233453533]
エボディード・インテリジェンス(Embodied Intelligence)は、現実的なシミュレートされた環境における訓練エージェントに焦点を当てる。
TongSIMは、エンボディエージェントのトレーニングと評価のための高忠実で汎用的なプラットフォームである。
論文 参考訳（メタデータ） (2025-12-23T10:00:43Z) - AgentSUMO: An Agentic Framework for Interactive Simulation Scenario Generation in SUMO via Large Language Models [4.892076282924386]
本研究では,大規模言語モデルを用いた対話型シミュレーションシナリオ生成のためのエージェントフレームワークを提案する。
AgentSUMOは、ユーザの意図を解釈し、タスクの複雑さを評価し、パラメータを推測し、実行可能なシミュレーション計画を定式化する適応推論層を導入することで、命令駆動実行から離脱する。
ソウルとマンハッタンの都市ネットワークの実験では、エージェントワークフローは、非専門家のアクセシビリティを維持しながら、トラフィックフローのメトリクスを大幅に改善することを示した。
論文 参考訳（メタデータ） (2025-11-10T07:46:12Z) - Dyna-Mind: Learning to Simulate from Experience for Better AI Agents [62.21219817256246]
私たちは、現在のAIエージェントは、行動する前に、別の未来を精神的にシミュレートする能力である「悪意ある試行錯誤」を必要としていると論じます。
我々は、(V)LMエージェントに対して、そのようなシミュレーションを推論に組み込むように明示的に教える2段階のトレーニングフレームワークであるDyna-Mindを紹介した。
論文 参考訳（メタデータ） (2025-10-10T17:30:18Z) - LAM SIMULATOR: Advancing Data Generation for Large Action Model Training via Online Exploration and Trajectory Feedback [121.78866929908871]
AIエージェントのための大規模アクションモデル(LAM)は、素晴らしいポテンシャルを提供するが、高品質なトレーニングデータを必要とするため、課題に直面している。
LAM SIMULATORは,高品質なフィードバックによるエージェントタスクのオンライン探索を目的とした総合的なフレームワークである。
本フレームワークは,動的タスククエリジェネレータ,広範囲なツールコレクション,および大規模言語モデル(LLM)エージェントがツールを呼び出し,リアルタイムフィードバックを受信できる対話型環境を備えている。
論文 参考訳（メタデータ） (2025-06-02T22:36:02Z) - AI Metropolis: Scaling Large Language Model-based Multi-Agent Simulation with Out-of-order Execution [15.596642151634319]
AI Metropolisは、注文外実行スケジューリングを導入することで、LLMエージェントシミュレーションの効率を改善するシミュレーションエンジンである。
我々の評価では,グローバル同期を用いた標準並列シミュレーションにより,AI Metropolisは1.3倍から4.15倍の高速化を実現している。
論文 参考訳（メタデータ） (2024-11-05T21:54:14Z) - 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) - A multi-functional simulation platform for on-demand ride service
operations [15.991607428235257]
配車システムのためのマルチファンクショナルでオープンソースなシミュレーションプラットフォームを提案する。
実際の輸送ネットワーク上で様々なエージェントの挙動と動きをシミュレートすることができる。
ユーザーが様々な最適化アルゴリズムを訓練し、テストするためのいくつかのアクセス可能なポータルを提供する。
論文 参考訳（メタデータ） (2023-03-22T06:25:19Z) - A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。
このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
論文 参考訳（メタデータ） (2022-08-11T09:40:42Z) - 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。