論文の概要: AutoWorld: Scaling Multi-Agent Traffic Simulation with Self-Supervised World Models

• arxiv url: http://arxiv.org/abs/2603.28963v1
• Date: Mon, 30 Mar 2026 20:10:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.763517
• Title: AutoWorld: Scaling Multi-Agent Traffic Simulation with Self-Supervised World Models
• Title（参考訳）: AutoWorld: 自己監督型世界モデルによるマルチエージェントトラフィックシミュレーションのスケールアップ
• Authors: Mozhgan Pourkeshavatz, Tianran Liu, Nicholas Rhinehart,
• Abstract要約: AutoWorldは、LiDARデータのラベルなし占有表現から学んだ世界モデルを利用するトラフィックシミュレーションフレームワークである。 我々は,ラベルなしLiDARデータを含むことにより,シミュレーション性能が一貫した向上を示す。 提案手法は,ラベリングを追加せずに交通シミュレーションリアリズムをスケールする方法である。
• 参考スコア（独自算出の注目度）: 3.971158433168816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent traffic simulation is central to developing and testing autonomous driving systems. Recent data-driven simulators have achieved promising results, but rely heavily on supervised learning from labeled trajectories or semantic annotations, making it costly to scale their performance. Meanwhile, large amounts of unlabeled sensor data can be collected at scale but remain largely unused by existing traffic simulation frameworks. This raises a key question: How can a method harness unlabeled data to improve traffic simulation performance? In this work, we propose AutoWorld, a traffic simulation framework that employs a world model learned from unlabeled occupancy representations of LiDAR data. Given world model samples, AutoWorld constructs a coarse-to-fine predictive scene context as input to a multi-agent motion generation model. To promote sample diversity, AutoWorld uses a cascaded Determinantal Point Process framework to guide the sampling processes of both the world model and the motion model. Furthermore, we designed a motion-aware latent supervision objective that enhances AutoWorld's representation of scene dynamics. Experiments on the WOSAC benchmark show that AutoWorld ranks first on the leaderboard according to the primary Realism Meta Metric (RMM). We further show that simulation performance consistently improves with the inclusion of unlabeled LiDAR data, and study the efficacy of each component with ablations. Our method paves the way for scaling traffic simulation realism without additional labeling. Our project page contains additional visualizations and released code.
• Abstract（参考訳）: マルチエージェント交通シミュレーションは、自律運転システムの開発とテストの中心である。 最近のデータ駆動シミュレータは有望な結果を得たが、ラベル付きトラジェクトリやセマンティックアノテーションからの教師付き学習に大きく依存しているため、パフォーマンスをスケールするのにコストがかかる。 一方、大量のラベルのないセンサデータを大規模に収集することは可能だが、既存のトラフィックシミュレーションフレームワークでは使用されていない。 これは重要な疑問を提起する: トラフィックシミュレーションのパフォーマンスを改善するために、ラベルのないデータをどうやって活用できるのか? 本稿では,LiDARデータのラベルなし占有表現から学習した世界モデルを利用した交通シミュレーションフレームワークであるAutoWorldを提案する。 ワールドモデルサンプルが与えられた場合、AutoWorldはマルチエージェントモーション生成モデルへの入力として、粗いから細かな予測シーンコンテキストを構築する。 サンプルの多様性を促進するために、AutoWorldは、世界モデルとモーションモデルの両方のサンプリングプロセスをガイドするために、カスケードされた決定ポイントプロセスフレームワークを使用している。 さらに,オートワールドのシーンダイナミックス表現を向上する動き認識型潜伏監視を設計した。 WOSACベンチマークの実験によると、AutoWorldは主要なRealism Meta Metric(RMM)に従ってリーダーボードにランクインしている。 さらに,ラベルなしLiDARデータの導入によりシミュレーション性能が一貫した向上を示し,各コンポーネントの有効性について検討した。 提案手法は,ラベリングを追加せずに交通シミュレーションリアリズムをスケールする方法である。 私たちのプロジェクトページには、さらなる視覚化とリリースコードが含まれています。

関連論文リスト

• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• 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)
• BITS: Bi-level Imitation for Traffic Simulation [38.28736985320897]
  データ駆動型アプローチを採用し,実世界の走行ログから交通挙動を学習する手法を提案する。 我々は,2つの大規模運転データセットのシナリオを用いて,BITS(Bi-level Imitation for Traffic Simulation)という手法を実証的に検証した。 コアコントリビューションの一環として、さまざまな駆動データセットにまたがるデータフォーマットを統合するソフトウェアツールを開発し、オープンソース化しています。
  論文  参考訳（メタデータ） (2022-08-26T02:17:54Z)

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。