論文の概要: Enactor: From Traffic Simulators to Surrogate World Models

• arxiv url: http://arxiv.org/abs/2603.18266v1
• Date: Wed, 18 Mar 2026 20:38:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.841997
• Title: Enactor: From Traffic Simulators to Surrogate World Models
• Title（参考訳）: Enactor: 交通シミュレータから世界モデルのサロゲートへ
• Abstract要約: 交通マイクロシミュレータは道路網の性能評価に様々な「何」条件下で広く利用されている。 深層学習に基づく手法は、周囲の環境に応じて、車や歩行者をエージェントとしてモデルに応用されている。 世界モデルパラダイムにインスパイアされた我々は,トランスフォーマーアーキテクチャを用いたアクター中心の生成モデルを開発した。
• 参考スコア（独自算出の注目度）: 8.361095816227488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic microsimulators are widely used to evaluate road network performance under various ``what-if" conditions. However, the behavior models controlling the actions of the actors are overly simplistic and fails to capture realistic actor-actor interactions. Deep learning-based methods have been applied to model vehicles and pedestrians as ``agents" responding to their surrounding ``environment" (including lanes, signals, and neighboring agents). Although effective in learning actor-actor interaction, these approaches fail to generate physically consistent trajectories over long time periods, and they do not explicitly address the complex dynamics that arise at traffic intersections which is a critical location in urban networks. Inspired by the World Model paradigm, we have developed an actor centric generative model using transformer-based architecture that is able to capture the actor-actor interaction, at the same time understanding the geometry to the traffic intersection to generate physically grounded trajectories that are based on learned behavior. Moreover, we test the model in a live ``simulation-in-the-loop" setting, where we generate the initial conditions of the actors using SUMO and then let the model control the dynamics of the actors. We let the simulation run for 40000 timesteps (4000 seconds), testing the performance of the model on long timerange and evaluating the trajectories on traffic engineering related metrics. Experimental results demonstrate that the proposed framework effectively captures complex actor-actor interactions and generates long-horizon, physically consistent trajectories, while requiring significantly fewer training samples than traditional agent-centric generative approaches. Our model is able to outperform the baseline in traffic related as well as aggregate metrics where our model beats the baseline by more than 10x on the KL-Divergence.
• Abstract（参考訳）: 交通マイクロシミュレータは、様々な「What-if」条件下で道路網の性能を評価するために広く用いられている。しかし、アクターの行動を制御する行動モデルは、過度に単純化され、現実的なアクターとアクターの相互作用を捉えることができない。深層学習に基づく手法は、周囲の「環境」に対応する「エージェント」としてモデル車両や歩行者に適用されている。アクターとアクターの相互作用を学習するのには有効であるが、これらのアプローチは、長期間にわたって物理的に一貫したトラジェクトリを生成することができず、都市ネットワークにおける重要な位置である交通交差点で発生する複雑なダイナミックスに明示的に対処することができない。世界モデルパラダイムに触発されて、我々は、アクターとアクターの相互作用を捉えるために、アクターとアクターとアクターの相互作用を捉えたアクター中心の遺伝子モデルを開発した。さらに、アクターとアクターとアクターの相互作用を同時に捉えるために、アクターとアクターとアクターの相互作用を同じ時間に捉えた上で、アクターとアクターとアクターとアクターの相互作用を動的に生成する。 シミュレーションを4000000のタイムステップ(4000秒)で実行し、長い時間帯でモデルの性能をテストし、交通工学関連のメトリクスの軌跡を評価する。 実験により,提案フレームワークは複雑なアクターとアクターの相互作用を効果的に捉え,長い水平・物理的に一貫した軌道を生成する一方で,従来のエージェント中心生成手法に比べてトレーニングサンプルを著しく少なくすることを示した。 我々のモデルは,KL-Divergenceでベースラインを10倍以上上回り,トラフィックのベースラインを上回ります。

関連論文リスト

• Extended Field of View Analysis for VideoGAN-based Trajectory Generation [2.7474251089367363]
  本研究は,GAN(Generative Adversarial Network)に基づくセマンティック・バードズ・アイ・ビュー・トラフィック生成に関する先行研究に基づいて構築する。 我々は意味表現を改善し、トラジェクトリ抽出手順をグラフベースのアソシエーション手法に置き換える。 また、生成したビデオにおける幻覚や物体の永続性を評価するための定量的評価フレームワークも導入する。
  論文  参考訳（メタデータ） (2026-08-03T14:21:07Z)
• Long-term Traffic Simulation via Structured Autoregressive Modeling [2.8456699777487215]
  シーントポロジ、エージェント状態、インテントを可変長の構造化自己回帰ストリームに生成する統合フレームワークであるRosettaSimを紹介した。 Retrievalベースのトラフィック評価(RTE)も導入し、コンテキスト対応の参照アンカーとして意味論的に類似した実世界のシナリオを検索する。
  論文  参考訳（メタデータ） (2026-06-30T06:41:28Z)
• Toward Efficient and Robust Behavior Models for Multi-Agent Driving Simulation [4.713158796503602]
  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。
  論文  参考訳（メタデータ） (2025-12-05T15:32:36Z)
• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• 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)
• 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)
• SceneDM: Scene-level Multi-agent Trajectory Generation with Consistent Diffusion Models [10.057312592344507]
  本研究では,SceneDMと呼ばれる拡散モデルに基づく新しいフレームワークを提案する。 SceneDMはSim Agents Benchmarkで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-11-27T11:39:27Z)
• Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
  既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。 エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
  論文  参考訳（メタデータ） (2023-10-19T17:59:01Z)
• 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。