論文の概要: A Generative Model for Closed-Loop Microsimulation of Signalized Intersections

• arxiv url: http://arxiv.org/abs/2606.23588v1
• Date: Mon, 22 Jun 2026 16:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:00:29.115552
• Title: A Generative Model for Closed-Loop Microsimulation of Signalized Intersections
• Title（参考訳）: 信号区間の閉ループマイクロシミュレーションのための生成モデル
• Authors: Yash Ranjan, Rahul Sengupta, Anand Rangarajan, Sanjay Ranka,
• Abstract要約: 交通マイクロシミュレータは、凝集流を再現する手作りの挙動モデルに頼っているが、信号交差点での車両間の異種相互作用を見逃している。 閉ループ交叉マイクロシミュレーションのためのアクター中心の生成モデルであるEnactorを提案する。
• 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 rely on hand-crafted behavior models that reproduce aggregate flow but miss the heterogeneous interactions between vehicles at signalized intersections. Learned trajectory predictors capture richer interactions but are short-horizon and tend to be unstable when run in closed loop. We present Enactor, an actor-centric generative model for closed-loop intersection microsimulation. The model focuses on vehicles; pedestrians are included as context that can influence vehicle decisions but not predicted. Dynamic actors and lane polylines are encoded in polar coordinates referenced to the intersection center. A transformer with separate spatial and temporal attention blocks predicts a distribution over each actor's next-step motion ($s$, $α$). Training uses a closed-loop curriculum so the model is exposed to its own predictions. We evaluate Enactor in two regimes. In a 4000-second simulation-in-the-loop test at two intersection geometries, Enactor controls every dynamic vehicle against a continuously refreshing actor set rather than the fixed cohort that learned trajectory predictors are usually evaluated against. It recovers the SUMO data generator's speed and travel-time distributions with KL divergence over an order of magnitude lower than a recent transformer baseline on travel time, and substantially lower on speed (roughly $5\times$ lower at Site 1), and reduces red-light violations relative to the same baseline by more than an order of magnitude. An ablation isolates the leader rear-bumper feature as the change with the largest effect on intersection-aware safety metrics. We also evaluate on real-world field data and apply the same architecture to naturalistic vehicle trajectories from a fish-eye camera at a signalized intersection and evaluate it on multi-horizon predictive tasks. Enactor outperforms a constant-velocity baseline at every horizon evaluated.
• Abstract（参考訳）: 交通マイクロシミュレータは、集合フローを再現する手作りの挙動モデルに依存しているが、信号交差点での車両間の異種相互作用を見逃している。 学習された軌道予測器はよりリッチな相互作用を捉えるが、短水平であり、閉ループで走ると不安定になる傾向がある。 閉ループ交叉マイクロシミュレーションのためのアクター中心の生成モデルであるEnactorを提案する。 歩行者は、車両の決定に影響を与えるが予測されないコンテキストとして含まれる。 動的アクターとレーンポリラインは、交差点中心に参照される極座標に符号化される。 異なる空間的および時間的注意ブロックを持つ変換器は、各アクターの次のステップの動き(s$,$α$)の分布を予測する。 トレーニングはクローズドループのカリキュラムを使用して、モデルを独自の予測に公開する。 我々はEnactorを2つの体制で評価する。 2つの交差点での4000秒のシミュレーション・イン・ザ・ループテストにおいて、エナクターは、学習した軌道予測器が通常、評価される固定コホートではなく、継続的にリフレッシュするアクターセットに対して全ての動的車両を制御する。 また、SUMOデータジェネレータの速度と走行時間分布を、最近のトランスフォーマーベースラインの走行時間よりも桁違いに小さくし、速度を著しく低くする(サイト1では5\times$低い)とともに、同じベースラインに対する赤信号違反を1桁以上低減する。 アブレーションは、リーダーの後部バンパー機能を変更として分離する。 また,実世界のフィールドデータに基づいて,魚眼カメラの信号交点における自然主義的な車両軌跡に同じアーキテクチャを適用し,マルチ水平予測タスクで評価する。 エナクターは評価された地平線毎の定速度ベースラインより優れる。

関連論文リスト

• Goal-Oriented Reactive Simulation for Closed-Loop Trajectory Prediction [9.812666469580872]
  現在の軌道予測モデルは、主にオープンループ方式で訓練されている。 本稿では,高周波数・遅延型地平線エゴ予測に最適化されたオンライン閉ループトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-25T10:24:16Z)
• Enactor: From Traffic Simulators to Surrogate World Models [8.361095816227488]
  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。
  論文  参考訳（メタデータ） (2026-03-18T20:38:28Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• S2TNet: Spatio-Temporal Transformer Networks for Trajectory Prediction in Autonomous Driving [7.862992905548721]
  本稿では,S時間変換器による時空間相互作用をモデル化し,時空間変換器によるテンポレルシーケンスを扱うS2TNetを提案する。 この手法は、ApolloScape Trajectoryデータセットにおける最先端の手法を平均と最終変位誤差の重み付け和で7%以上上回る。
  論文  参考訳（メタデータ） (2022-06-22T08:12:31Z)
• Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network [7.150832716115448]
  交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。 このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。 本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T13:08:04Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Spatio-Temporal Graph Transformer Networks for Pedestrian Trajectory Prediction [29.602903750712713]
  本稿では, 軌跡予測に注意機構のみを応用した, 時空間型graAph tRansフレームワークSTARを提案する。 この結果から,STARは5つの現実世界の歩行者予測データセット上で最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-18T08:08:09Z)

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。