論文の概要: Artificial Intelligence for Modeling and Simulation of Mixed Automated and Human Traffic
- arxiv url: http://arxiv.org/abs/2604.12857v1
- Date: Tue, 14 Apr 2026 15:09:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.52959
- Title: Artificial Intelligence for Modeling and Simulation of Mixed Automated and Human Traffic
- Title（参考訳）: 混合自動化と人的交通のモデリングとシミュレーションのための人工知能
- Authors: Saeed Rahmani, Shiva Rasouli, Daphne Cornelisse, Eugene Vinitsky, Bart van Arem, Simeon C. Calvert,
- Abstract要約: 本稿では,エージェントレベルの行動モデル,環境レベルのシミュレーション手法,認知的および物理学的インフォームド手法の3つのファミリーにメソッドを編成する分類法を紹介する。
交通工学と計算機科学の両方の視点を網羅することで、これらの2つのコミュニティのギャップを埋めることを目指している。
- 参考スコア（独自算出の注目度）: 7.44360671272726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles (AVs) are now operating on public roads, which makes their testing and validation more critical than ever. Simulation offers a safe and controlled environment for evaluating AV performance in varied conditions. However, existing simulation tools mainly focus on graphical realism and rely on simple rule-based models and therefore fail to accurately represent the complexity of driving behaviors and interactions. Artificial intelligence (AI) has shown strong potential to address these limitations; however, despite the rapid progress across AI methodologies, a comprehensive survey of their application to mixed autonomy traffic simulation remains lacking. Existing surveys either focus on simulation tools without examining the AI methods behind them, or cover ego-centric decision-making without addressing the broader challenge of modeling surrounding traffic. Moreover, they do not offer a unified taxonomy of AI methods covering individual behavior modeling to full scene simulation. To address these gaps, this survey provides a structured review and synthesis of AI methods for modeling AV and human driving behavior in mixed autonomy traffic simulation. We introduce a taxonomy that organizes methods into three families: agent-level behavior models, environment-level simulation methods, and cognitive and physics-informed methods. The survey analyzes how existing simulation platforms fall short of the needs of mixed autonomy research and outlines directions to narrow this gap. It also provides a chronological overview of AI methods and reviews evaluation protocols and metrics, simulation tools, and datasets. By covering both traffic engineering and computer science perspectives, we aim to bridge the gap between these two communities.
- Abstract（参考訳）: 自動運転車(AV)は現在公道で運用されており、テストや検証がこれまで以上に重要になっている。
シミュレーションは、様々な条件下でのAV性能を評価するための安全で制御された環境を提供する。
しかし、既存のシミュレーションツールは、主にグラフィカルリアリズムに焦点を当てており、単純なルールベースのモデルに依存しているため、運転行動やインタラクションの複雑さを正確に表現することができない。
人工知能(AI)は、これらの制限に対処する強い可能性を示しているが、AI方法論の急速な進歩にもかかわらず、混合自律性交通シミュレーションへの応用に関する包括的な調査はいまだに欠如している。
既存の調査では、背後にあるAIメソッドを調べることなくシミュレーションツールに焦点を当てているか、あるいは、周囲のトラフィックをモデル化するより広範な課題に対処することなく、エゴ中心の意思決定をカバーする。
さらに、個々の振る舞いモデリングをフルシーンシミュレーションに対象とする、AIメソッドの統一的な分類も提供していない。
これらのギャップに対処するため、この調査は、混合自律交通シミュレーションにおけるAVと人間の運転行動のモデル化のためのAI手法の構造化されたレビューと合成を提供する。
本稿では,エージェントレベルの行動モデル,環境レベルのシミュレーション手法,認知的および物理学的インフォームド手法の3つのファミリーにメソッドを編成する分類法を紹介する。
この調査は、既存のシミュレーションプラットフォームが、混合自律性研究のニーズから外れた状況を分析し、このギャップを狭めるための方向性を概説している。
また、AIメソッドの時系列概要や、評価プロトコル、メトリクス、シミュレーションツール、データセットのレビューも提供する。
交通工学と計算機科学の両方の視点を網羅することで、これらの2つのコミュニティのギャップを埋めることを目指している。
関連論文リスト
- InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - A Survey of World Models for Autonomous Driving [55.520179689933904]
自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。
世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。
今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
論文 参考訳（メタデータ） (2025-01-20T04:00:02Z) - 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) - 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) - From Model-Based to Data-Driven Simulation: Challenges and Trends in
Autonomous Driving [26.397030011439163]
シミュレーションのさまざまな側面や種類に関して,課題の概要を述べる。
我々は、認識、行動、およびコンテンツリアリズムに関する側面と、シミュレーションの領域における一般的なハードルをカバーしている。
中でも,モデルベースシミュレーションの代替として,データ駆動型,生成的アプローチ,高忠実度データ合成の傾向が注目されている。
論文 参考訳（メタデータ） (2023-05-23T11:39:23Z) - 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) - Augmented Driver Behavior Models for High-Fidelity Simulation Study of
Crash Detection Algorithms [2.064612766965483]
人力車と自動車の両方を含むハイブリッド輸送システムのシミュレーションプラットフォームを提案する。
我々は、人間の運転タスクを分解し、大規模な交通シナリオをシミュレートするためのモジュラーアプローチを提供する。
我々は、大きな駆動データセットを分析し、異なる駆動特性を最もよく記述する表現的パラメータを抽出する。
論文 参考訳（メタデータ） (2022-08-10T19:59:16Z) - 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) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z)
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。