論文の概要: Long-term Traffic Simulation via Structured Autoregressive Modeling

• arxiv url: http://arxiv.org/abs/2606.31209v1
• Date: Tue, 30 Jun 2026 06:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.106178
• Title: Long-term Traffic Simulation via Structured Autoregressive Modeling
• Title（参考訳）: 構造化自己回帰モデルによる長期交通シミュレーション
• Abstract要約: シーントポロジ、エージェント状態、インテントを可変長の構造化自己回帰ストリームに生成する統合フレームワークであるRosettaSimを紹介した。 Retrievalベースのトラフィック評価(RTE)も導入し、コンテキスト対応の参照アンカーとして意味論的に類似した実世界のシナリオを検索する。
• 参考スコア（独自算出の注目度）: 2.8456699777487215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive traffic simulation is a vital world model for autonomous driving. A central challenge in long-horizon simulation is modeling sustained multi-agent interactions, which is further exacerbated by dynamic token cardinality as agents continuously enter and exit the scene. In this work, we propose that the solution lies in the synergy between the architectural inductive biases and statistical priors of large-scale sequence models, e.g., Large Language Models (LLMs). Our probing experiments reveal that the transferability of attention mechanisms and the distributional consistency between motion tokens and natural language enable small-scale, heavily frozen LLMs to rapidly adapt to traffic modeling. Building on this insight, we introduce RosettaSim, a unified framework that projects scene topology, agent states, and spawning intents into a structured autoregressive stream with variable length, achieving both strong short-term accuracy and stable long-horizon simulation fidelity. Furthermore, evaluating extended rollouts presents yet another hurdle, as one-to-one agent correspondence inevitably fades over time. To address this, we introduce Retrieval-based Traffic Evaluation (RTE), which retrieves semantically similar real-world scenarios as context-aware reference anchors. Experiments on the Waymo Open Sim Agent Challenge (WOSAC) demonstrate that RosettaSim achieves state-of-the-art performance in both short- and long-term simulation. Furthermore, RTE exhibits a stronger correlation with standard metrics ($r=0.83$) than existing approaches ($r=0.74$), indicating improved alignment with long-horizon simulation fidelity.
• Abstract（参考訳）: 対話型交通シミュレーションは、自動運転にとって重要な世界モデルである。 ロングホライゾンシミュレーションにおける中心的な課題は、持続的なマルチエージェント相互作用をモデル化することであり、エージェントがシーンに連続して入退するにつれて、動的トークンの濃度によってさらに悪化する。 本稿では,大規模シーケンスモデル(LLM)のアーキテクチャ的帰納バイアスと統計的先行性との相乗関係を考察する。 提案実験により, 注意機構の伝達性, 動きトークンと自然言語間の分布の整合性により, 小型で凍ったLLMが交通モデルに迅速に適応できることが明らかになった。 この知見に基づいて,シーントポロジ,エージェント状態,インテントを可変長の構造化自己回帰ストリームに生成する統合フレームワークであるRosettaSimを紹介する。 さらに、拡張ロールアウトの評価は、一対一のエージェント対応が時間の経過とともに必然的に減少するため、さらにハードルとなる。 これを解決するために、Retrieval-based Traffic Evaluation (RTE)を導入し、コンテキスト対応の参照アンカーとして意味論的に類似した実世界のシナリオを検索する。 Waymo Open Sim Agent Challenge (WOSAC)の実験は、RosettaSimが短期および長期のシミュレーションで最先端のパフォーマンスを達成することを示した。 さらに、RTEは、既存のアプローチ(r=0.74$)よりも標準メトリクス(r=0.83$)と強い相関を示し、長距離シミュレーションの忠実度との整合性の改善を示している。

関連論文リスト

• FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction [5.827179141989176]
  交通モデリングには、大規模なセンサネットワーク上での複雑な時間的ダイナミクスと長距離空間予測が必要である。 我々は,統合された状態トラフィック予測のための注意空間モデリングを組み合わせたフレームワークであるFASTを提案する。 FASTは、Transformer-, GNN-, attention-, Mamba-based familyからの強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-15T04:05:10Z)
• 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)
• 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)
• ForSim: Stepwise Forward Simulation for Traffic Policy Fine-Tuning [13.668397738433852]
  ForSimは段階的にクローズドループフォワードシミュレーションパラダイムである。 マルチモーダルな振る舞いの多様性を保ちながら、モダリティ内整合性を確保する。 ForSimは、グループ相対最適化と協調して、きめ細かいトラフィックポリシーを運用する。
  論文  参考訳（メタデータ） (2026-02-02T10:20:11Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• MR-LDM -- The Merge-Reactive Longitudinal Decision Model: Game Theoretic Human Decision Modeling for Interactive Sim Agents [0.9883562565157391]
  我々は,戦術的意思決定のためのゲーム理論モデルをターゲットにして,ハイウェイマージシナリオのシミュレーションを改善することを目的としている。 これを基礎となるダイナミックスモデルと組み合わせて、より現実的なインタラクションをキャプチャできる統一された決定と動的モデルを持ちます。
  論文  参考訳（メタデータ） (2025-07-15T20:41:00Z)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [102.1527101235251]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• GraphSCENE: On-Demand Critical Scenario Generation for Autonomous Vehicles in Simulation [11.896059467313668]
  本研究では,多様なトラフィックシナリオに対応する動的時間的シーングラフをオンデマンドで生成し,ユーザ定義の好みに合わせて作成する手法を提案する。 時間的グラフニューラルネットワーク(GNN)モデルは、実世界の相互作用パターンによって導かれる、エゴ・車両エージェントと静的構造の関係を予測することを学習する。 予測されたシナリオをシミュレーションでレンダリングし、AVエージェントのテスト環境としての有効性をさらに実証する。
  論文  参考訳（メタデータ） (2024-10-17T13:02:06Z)
• 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)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• 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)

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。