論文の概要: TrafficAlign: Aligning Large Language Models for Traffic Scenario Generation

• arxiv url: http://arxiv.org/abs/2606.29097v1
• Date: Sat, 27 Jun 2026 21:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.786824
• Title: TrafficAlign: Aligning Large Language Models for Traffic Scenario Generation
• Title（参考訳）: TrafficAlign: トラフィックシナリオ生成のための大規模言語モデルの設定
• Abstract要約: TrafficAlignは、現実世界の運転ビデオに基づいて交通シナリオを合成する自動化フレームワークである。 最先端の手法よりも3つの自動運転モデルで平均して10.8%の衝突が起きている。 これらの運転モデルをTrafficAlign生成シナリオで微調整し、衝突速度を36.1%削減した。
• 参考スコア（独自算出の注目度）: 5.181270975161224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent research has investigated the use of large language models (LLMs) to generate traffic scenarios for autonomous driving. However, pretrained LLMs often fail to align with real-world traffic distributions. In this work, we present TrafficAlign, an automated framework that synthesizes traffic scenarios based on real-world driving videos, performs data validation, and aligns LLMs with the synthesized scenarios. The evaluation shows that traffic scenarios generated by TrafficAlign are highly effective, revealing up to 10.8% more collisions on average across three autonomous driving models than state-of-the-art methods. Furthermore, fine-tuning these driving models with TrafficAlign-generated scenarios significantly reduced collision rates by 36.1% compared with the original models. A qualitative study using traffic datasets from six geographically diverse regions shows that TrafficAlign-generated scenarios exhibit strong alignment with corresponding traffic distributions in these regions.
• Abstract（参考訳）: 近年,大規模言語モデル (LLM) を用いた自動運転における交通シナリオの生成について検討している。 しかし、事前訓練されたLLMは現実世界のトラフィック分布と一致しないことが多い。 本研究では,実世界の運転映像に基づいて交通シナリオを合成し,データ検証を行い,LLMを合成シナリオと整合させる自動フレームワークであるTrafficAlignを提案する。 評価の結果、TrafficAlignによって生成された交通シナリオは極めて効果的であり、最先端の方法よりも3つの自律運転モデルで平均10.8%の衝突が起きていることが明らかになった。 さらに、これらの駆動モデルをTrafficAlign生成シナリオで微調整することで、元のモデルと比較して衝突率を36.1%削減した。 6つの地理的に多様な地域からの交通データセットを用いた質的研究は、TrafficAlignの生成シナリオがこれらの地域で対応する交通分布と強く一致していることを示している。

関連論文リスト

• OmniTraffic: A Controllable Generation Pipeline and Benchmark for Spatio-Temporal Traffic Reasoning [47.85568621735744]
  トラフィック推論のための制御可能なパイプライン生成とベンチマークであるOmniTrafficを紹介した。 現実世界の12の交差点に建設され、2つの国の監視映像によって再建されている。 シーン認識、多視点、時間的推論、意思決定支援にまたがる3段階のタスク階層を定義する。
  論文  参考訳（メタデータ） (2026-06-14T11:16:53Z)
• Calibrating Urban Traffic Simulation from Sparse Road Observations via Genetic Optimization [2.1347076448562867]
  現実的な都市交通シミュレーションは,最小限の現実世界観測により実現可能であることを示す。 この研究は、現実的な都市交通シミュレーションは、最小の現実世界の観測によって達成できることを示した。
  論文  参考訳（メタデータ） (2026-06-02T16:04:01Z)
• Multi-modal Traffic Scenario Generation for Autonomous Driving System Testing [10.518062593457351]
  TrafficComposerは、自律運転システム(ADS)テストのためのマルチモーダル交通シナリオ構築アプローチである。 CARLAやLGSVLなどのシミュレータで対応するトラフィックシナリオを生成する。 120のトラフィックシナリオのベンチマークでは、TrafficComposerは97.0%の精度を達成し、最高のパフォーマンスのベースラインを7.3%上回っている。
  論文  参考訳（メタデータ） (2025-05-20T20:12:08Z)
• TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation [14.470174593447702]
  大規模言語モデル(LLM)は様々な領域で有望な性能を示している。 TrafficLLMは、生のトラフィックデータから一般的なトラフィック表現を学ぶための2段階の微調整フレームワークを導入している。 F1スコアは0.9875と0.9483で、既存の検出および生成方法よりも最大80.12%、33.92%性能が向上している。
  論文  参考訳（メタデータ） (2025-04-05T16:18:33Z)
• Calibration of Vehicular Traffic Simulation Models by Local Optimization [43.942239814508106]
  トラフィックカウントデータを用いたシミュレーションモデルのキャリブレーションは、環境の複雑さ、データの欠如、トラフィックダイナミクスの不確実性のために困難である。 本稿では,シミュレーションに基づく新しい交通キャリブレーション手法を提案する。 ベルギーのブリュッセルで,実交通監視装置のデータを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2025-02-17T09:17:01Z)
• Leveraging Multimodal-LLMs Assisted by Instance Segmentation for Intelligent Traffic Monitoring [6.648291808015463]
  本研究では,リアルタイムQuanser Interactive Labシミュレーションプラットフォーム上でのトラフィック監視作業にLLaVAビジュアルグラウンド・マルチモーダル大言語モデル(LLM)を利用する。 複数の都市に設置されたカメラはシミュレーションからリアルタイムの画像を収集し、LLaVAモデルに入力して分析を行う。 このシステムは、車両の位置を認識する精度が84.3%、ステアリング方向が76.4%で、従来のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-16T23:03:26Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• 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)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
  私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。 実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
  論文  参考訳（メタデータ） (2021-01-16T22:51:43Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。