論文の概要: ForSim: Stepwise Forward Simulation for Traffic Policy Fine-Tuning

• arxiv url: http://arxiv.org/abs/2602.01916v1
• Date: Mon, 02 Feb 2026 10:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.089307
• Title: ForSim: Stepwise Forward Simulation for Traffic Policy Fine-Tuning
• Title（参考訳）: ForSim: 交通政策ファインチューニングのためのステップワイドフォワードシミュレーション
• Authors: Keyu Chen, Wenchao Sun, Hao Cheng, Zheng Fu, Sifa Zheng,
• Abstract要約: ForSimは段階的にクローズドループフォワードシミュレーションパラダイムである。 マルチモーダルな振る舞いの多様性を保ちながら、モダリティ内整合性を確保する。 ForSimは、グループ相対最適化と協調して、きめ細かいトラフィックポリシーを運用する。
• 参考スコア（独自算出の注目度）: 13.668397738433852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the foundation of closed-loop training and evaluation in autonomous driving, traffic simulation still faces two fundamental challenges: covariate shift introduced by open-loop imitation learning and limited capacity to reflect the multimodal behaviors observed in real-world traffic. Although recent frameworks such as RIFT have partially addressed these issues through group-relative optimization, their forward simulation procedures remain largely non-reactive, leading to unrealistic agent interactions within the virtual domain and ultimately limiting simulation fidelity. To address these issues, we propose ForSim, a stepwise closed-loop forward simulation paradigm. At each virtual timestep, the traffic agent propagates the virtual candidate trajectory that best spatiotemporally matches the reference trajectory through physically grounded motion dynamics, thereby preserving multimodal behavioral diversity while ensuring intra-modality consistency. Other agents are updated with stepwise predictions, yielding coherent and interaction-aware evolution. When incorporated into the RIFT traffic simulation framework, ForSim operates in conjunction with group-relative optimization to fine-tune traffic policy. Extensive experiments confirm that this integration consistently improves safety while maintaining efficiency, realism, and comfort. These results underscore the importance of modeling closed-loop multimodal interactions within forward simulation and enhance the fidelity and reliability of traffic simulation for autonomous driving. Project Page: https://currychen77.github.io/ForSim/
• Abstract（参考訳）: 自動運転におけるクローズドループトレーニングと評価の基礎として、交通シミュレーションは、オープンループ模倣学習によって導入された共変量シフトと、現実世界の交通で観測されるマルチモーダルな振る舞いを反映する限られた能力の2つの基本的な課題に直面している。 RIFTのような最近のフレームワークは、グループ相対最適化によってこれらの問題に部分的に対処しているが、その前方シミュレーション手順はほとんど非反応性のままであり、仮想領域内での非現実的なエージェントの相互作用を招き、最終的にはシミュレーションの忠実さを制限する。 これらの問題に対処するため、段階的に閉ループ前方シミュレーションパラダイムであるForSimを提案する。 各仮想時間ステップにおいて、トラヒックエージェントは、物理基底運動力学により基準軌道と時空間的に最もよく一致する仮想候補軌道を伝搬し、これにより、モダリティ内整合性を確保しつつ、多様挙動の多様性を維持する。 他のエージェントはステップワイズ予測で更新され、一貫性と相互作用を意識した進化をもたらす。 RIFTトラフィックシミュレーションフレームワークに組み込まれると、ForSimはグループ相対最適化と協調して微調整トラフィックポリシーを運用する。 大規模な実験は、この統合が効率、リアリズム、快適さを維持しながら安全を継続的に改善することを確認する。 これらの結果は、前方シミュレーションにおける閉ループマルチモーダル相互作用のモデル化の重要性を強調し、自律運転における交通シミュレーションの忠実性と信頼性を高める。 Project Page: https://currychen77.github.io/ForSim/

関連論文リスト

• HybridWorldSim: A Scalable and Controllable High-fidelity Simulator for Autonomous Driving [59.55918581964678]
  HybridWorldSimは、静的バックグラウンドのためのマルチトラバースニューラルネットワーク再構成と、動的エージェントの生成モデルを統合するハイブリッドシミュレーションフレームワークである。 我々は、様々な都市をまたがる幅広いルートや環境条件をキャプチャーする、新しいマルチトラバースデータセットMIRRORをリリースする。
  論文  参考訳（メタデータ） (2025-11-27T07:53:16Z)
• RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
  RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。 実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。 RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
  論文  参考訳（メタデータ） (2025-05-22T17:01:00Z)
• 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)
• Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions [11.633051537198687]
  IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。 IntSimは、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-07T06:59:27Z)
• 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)
• 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。