論文の概要: ActivityEditor: Learning to Synthesize Physically Valid Human Mobility
- arxiv url: http://arxiv.org/abs/2604.05529v2
- Date: Fri, 10 Apr 2026 06:44:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 13:51:27.653365
- Title: ActivityEditor: Learning to Synthesize Physically Valid Human Mobility
- Title（参考訳）: ActivityEditor: 物理的に有効な人間のモビリティを学習する
- Authors: Chenjie Yang, Yutian Jiang, Anqi Liang, Wei Qi, Chenyu Wu, Junbo Zhang,
- Abstract要約: textbfActivityEditorは、ゼロショットのクロスリージョン軌道生成のための新しいデュアルLLMエージェントフレームワークである。
我々のフレームワークは複雑な合成タスクを2つの協調的な段階に分解する。
textbfActivityEditorは、さまざまな都市コンテキストにまたがる転送時に、優れたゼロショットパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 17.297994199477767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human mobility modeling is indispensable for diverse urban applications. However, existing data-driven methods often suffer from data scarcity, limiting their applicability in regions where historical trajectories are unavailable or restricted. To bridge this gap, we propose \textbf{ActivityEditor}, a novel dual-LLM-agent framework designed for zero-shot cross-regional trajectory generation. Our framework decomposes the complex synthesis task into two collaborative stages. Specifically, an intention-based agent, which leverages demographic-driven priors to generate structured human intentions and coarse activity chains to ensure high-level socio-semantic coherence. These outputs are then refined by editor agent to obtain mobility trajectories through iteratively revisions that enforces human mobility law. This capability is acquired through reinforcement learning with multiple rewards grounded in real-world physical constraints, allowing the agent to internalize mobility regularities and ensure high-fidelity trajectory generation. Extensive experiments demonstrate that \textbf{ActivityEditor} achieves superior zero-shot performance when transferred across diverse urban contexts. It maintains high statistical fidelity and physical validity, providing a robust and highly generalizable solution for mobility simulation in data-scarce scenarios. Our code is available at: https://anonymous.4open.science/r/ActivityEditor-066B.
- Abstract（参考訳）: ヒトのモビリティモデリングは、多様な都市での応用には不可欠である。
しかし、既存のデータ駆動方式は、しばしばデータ不足に悩まされ、歴史的軌跡が利用できない、あるいは制限されていない地域での適用性が制限される。
このギャップを埋めるために、ゼロショットのクロスリージョン軌道生成用に設計された新しいデュアルLLMエージェントフレームワークである‘textbf{ActivityEditor} を提案する。
我々のフレームワークは複雑な合成タスクを2つの協調的な段階に分解する。
具体的には、人口動態に基づく先行性を利用して、構造化された人間の意図と粗い活動連鎖を生成し、高いレベルの社会意味的一貫性を確保する意図に基づくエージェントである。
これらの出力は編集者によって洗練され、人間の移動法を強制する反復的な修正によって移動軌道を得る。
この能力は、実世界の物理的制約に根ざした複数の報酬を持つ強化学習によって獲得され、エージェントはモビリティの正則性を内部化し、高忠実な軌道生成を確実にすることができる。
大規模な実験により, 多様な都市環境にまたがって移動した場合, \textbf{ActivityEditor} は優れたゼロショット性能が得られることが示された。
高い統計的忠実度と物理的妥当性を維持し、データ・スカース・シナリオにおけるモビリティ・シミュレーションのための堅牢で高一般化可能なソリューションを提供する。
私たちのコードは、https://anonymous.4open.science/r/ActivityEditor-066Bで利用可能です。
関連論文リスト
- TrajGPT-R: Generating Urban Mobility Trajectory with Reinforcement Learning-Enhanced Generative Pre-trained Transformer [22.847988014952488]
移動軌道は都市動態の理解と都市計画の強化に不可欠である。
しかし、そのようなデータへのアクセスはプライバシーの懸念によってしばしば妨げられる。
本研究は,大規模都市移動軌道生成のための変革的枠組みを提案する。
論文 参考訳（メタデータ） (2026-02-24T07:44:19Z) - HINT: Hierarchical Interaction Modeling for Autoregressive Multi-Human Motion Generation [55.73037290387896]
HINTは,階層的インタラクティクスモデリングを応用した多関節モーション生成のための最初の自動回帰フレームワークである。
第一に、HINTは正準化潜在空間内でのゆがみのある動きの表現を活用し、局所的な動きのセマンティクスを対人インタラクションから切り離す。
第二に、HINTは効率的なオンライン生成のためのスライドウインドウ戦略を採用し、局所的なウィンドウ内およびグローバルなクロスウインドウ条件を集約し、過去の人類の歴史、個人間の依存関係を捉え、テキストガイダンスと整合する。
論文 参考訳（メタデータ） (2026-01-28T08:47:23Z) - Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain [4.675541221895496]
LLM(Large Language Models)を利用した生成エージェントの最近の進歩は、広範囲なデータセットに頼ることなく、人間の振る舞いをシミュレートする可能性を示している。
本稿では,LLMとグラフ検索・拡張生成(RAG)を統合し,交通システムにおける人間行動の文脈認識シミュレーションを強化する新しい手法であるPreference Chainを紹介する。
論文 参考訳（メタデータ） (2025-08-22T07:50:57Z) - CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation [9.907406552578607]
textbfCAMSは、言語に基づく都市基盤モデルを利用して都市空間における人間の移動をシミュレートするエージェントフレームワークである。
textbfCAMSは、外部に提供された地理空間情報に頼ることなく、優れた性能を達成する。
論文 参考訳（メタデータ） (2025-06-16T15:24:07Z) - Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳（メタデータ） (2025-01-20T07:12:40Z) - Learning Generalizable Human Motion Generator with Reinforcement Learning [95.62084727984808]
テキスト駆動型ヒューマンモーション生成は、コンピュータ支援コンテンツ作成において重要なタスクの1つである。
既存の方法は訓練データ中の特定の動作表現に過度に適合することが多く、一般化する能力を妨げている。
一般化可能なヒューマンモーション生成のための強化学習において,パスとエラーのパラダイムを取り入れた textbfInstructMotion を提案する。
論文 参考訳（メタデータ） (2024-05-24T13:29:12Z) - Chain-of-Planned-Behaviour Workflow Elicits Few-Shot Mobility Generation in LLMs [20.70758465552438]
チェーン・オブ・プランテッド・ビヘイビアは、移動意図発生の誤り率を57.8%から19.4%に大幅に下げる。
重力モデルのようなメカニスティックモビリティモデルは、移動意図を物理的モビリティに効果的にマッピングできる。
提案した CoPB ワークフローは GPT-4-turbo を容易にして,移動行動推論のための高品質なラベルを自動生成する。
論文 参考訳（メタデータ） (2024-02-15T09:58:23Z) - 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) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳（メタデータ） (2023-01-16T09:54:02Z)
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。