論文の概要: Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints

• arxiv url: http://arxiv.org/abs/2606.10314v1
• Date: Tue, 09 Jun 2026 02:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.257616
• Title: Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints
• Title（参考訳）: 運動制約を考慮したLCM駆動動作を用いた運動異常生成
• Abstract要約: 本稿では,現実的な軌跡異常を大規模に合成するエンド・ツー・エンドな生成フレームワークを提案する。 我々のアーキテクチャは、純粋に合成されたモビリティデータと複雑な現実世界の物理的な制約の間のギャップを埋める。
• 参考スコア（独自算出の注目度）: 1.330528227599978
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although the study of human trajectory anomalies is critical for advancing spatial data mining, empirical research remains severely hindered by a pervasive lack of ground-truth datasets. Despite the availability of several real-world and simulated human trajectory collections, these datasets exclusively capture normal mobility patterns and lack annotated anomalies. This specific scarcity is fundamentally driven by the inherent statistical rarity of anomalous events, precluding the feasibility of conventional observational methods. Compounding this challenge, the systematic acquisition of large-scale mobility data is strictly bottlenecked by prohibitive costs and stringent privacy regulations. To overcome these fundamental limitations and establish a reliable human trajectory anomalies dataset with annotated ground truth, we introduce a novel, end-to-end generative framework designed to synthesize realistic trajectory anomalies at scale. Our architecture bridges the gap between purely synthetic mobility data and complex real-world physical constraints by operating directly on baseline simulated trajectories. We employ Large Language Model (LLM) agents to systematically inject semantically meaningful behavioral anomalies such as irregular out-of-distribution check-ins and skipped routine visits. To ensure rigorous spatial validity, the system leverages map-constrained routing reconstruction to recalculate the physical transitions between these LLM agent-modified staypoints. Moreover, to narrow the simulation-to-reality gap, we augment the resulting trajectories with a context-aware spatial noise model, parameterized by environmental and location-specific variables, to accurately emulate heterogeneous GPS sensor degradation.
• Abstract（参考訳）: ヒトの軌道異常の研究は、空間データマイニングを進める上で重要であるが、地中真実のデータセットが広範に欠如しているため、経験的研究は深刻な障害となっている。 いくつかの現実世界とシミュレーションされた人間の軌道収集が利用可能であるにもかかわらず、これらのデータセットは正常なモビリティパターンのみをキャプチャし、注釈付き異常を欠いている。 この特異な欠如は、基本的には、従来の観測手法が実現可能であることを除いて、異常事象の固有な統計的希少性によって引き起こされる。 この課題を複雑にし、大規模なモビリティデータの体系的な取得は、禁止コストと厳格なプライバシー規制によって、厳密にボトルネックになっている。 これらの基本的制約を克服し、注釈付き土台真理で信頼性の高い人軌道異常データセットを確立するために、我々は、現実的な軌道異常を大規模に合成するために設計された、新しいエンドツーエンドの生成フレームワークを導入する。 我々のアーキテクチャは、ベースラインシミュレートされた軌道を直接操作することで、純粋に合成されたモビリティデータと複雑な現実世界の物理的制約のギャップを埋める。 本研究では,Large Language Model (LLM) エージェントを用いて,不規則なアウト・オブ・ディストリビューション・チェックインや定期訪問のスキップといった意味論的行動異常を系統的に注入する。 厳密な空間的妥当性を確保するため、このシステムは地図に制約のある経路再構成を利用して、これらのLLMエージェント修飾された静止点間の物理的遷移を再計算する。 さらに、シミュレーションと現実のギャップを狭めるために、環境変数と位置変数によってパラメータ化された文脈認識空間雑音モデルを用いて、結果の軌跡を拡大し、異種GPSセンサの劣化を正確にエミュレートする。

関連論文リスト

• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• RelAfford6D: Relational 6D Affordance Graphs for Constraint-Driven Robotic Manipulation [15.618446008590409]
  RelAfford6は複雑な調音オブジェクトのためのトレーニング不要のフレームワークである。 本システムでは,一次相互作用部分を物理的アンカーにリンクする意味的トポロジを推定する。 我々は満足度問題として下流実行を解析的に定式化する。
  論文  参考訳（メタデータ） (2026-06-25T13:42:26Z)
• TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation [7.748185086458265]
  大規模な軌跡収集は費用がかかりプライバシーが制限されることが多い。 既存の軌道生成装置は、微粒な推論を欠いているプロンプトエンジニアリングか、軌道レベルの微調整に依存している。 モデルチューニングなしで軌道生成を行う意味認識フレームワークであるTrajGenAgentを提案する。
  論文  参考訳（メタデータ） (2026-06-10T20:32:52Z)
• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• NUMOSIM: A Synthetic Mobility Dataset with Anomaly Detection Benchmarks [5.852777557137612]
  本稿では,自動ベンチマーク手法の制御,倫理的,多様な環境を提供する合成モビリティデータセットNUMOSIMを紹介する。 NUMOSIMは様々な現実的なモビリティシナリオをシミュレートし、典型的な動作と異常な動作の両方を包含する。 NUMOSIMデータセットへのオープンアクセスと、包括的なドキュメント、評価指標、ベンチマーク結果を提供する。
  論文  参考訳（メタデータ） (2024-09-04T18:31:24Z)
• Geo-Llama: Leveraging LLMs for Human Mobility Trajectory Generation with Spatiotemporal Constraints [13.410700984931745]
  既存の深層生成モデルは、実際の軌道から学習し、合成モデルを生成する。 Geo-Llamaは、コンテキストコヒーレンスを維持しながら複数の明示的な訪問制約を強制できる新しいフレームワークである。 実世界および合成データセットの実験は、Geo-Llamaの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-25T19:03:46Z)
• ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
  ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。 道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。 符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
  論文  参考訳（メタデータ） (2024-04-23T09:42:45Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。