論文の概要: Bridging Local Observation and Global Simulation in Closed-Loop Traffic Modeling

• arxiv url: http://arxiv.org/abs/2606.31844v1
• Date: Tue, 30 Jun 2026 15:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.290578
• Title: Bridging Local Observation and Global Simulation in Closed-Loop Traffic Modeling
• Title（参考訳）: 閉ループ交通モデルにおけるブリッジング局部観測とグローバルシミュレーション
• Abstract要約: ローカル-グローバルなコンテキストミスマッチは、グローバルな観測可能なクローズドループ環境に自動回帰型トラフィックシミュレータがデプロイされたときに発生する。 我々は、自己教師型障害発見と優先誘導テスト時間アライメントにより、このミスマッチを緩和するCRAFTを提案する。 CRAFTは、ベースシミュレータを再訓練することなく、衝突を31.2%減らし、交通違反を33.2%減らした。
• 参考スコア（独自算出の注目度）: 17.814964447420486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A local-to-global context mismatch arises when autoregressive traffic simulators trained on ego-centric driving logs are deployed in globally observable closed-loop environments. In such logs, the ego vehicle has rich local observations, while surrounding agents are only partially observed due to perception limits and occlusions. As a result, simulators may learn incomplete context--action mappings that remain hidden in log-based training but emerge during closed-loop rollouts, leading to unrealistic behaviors such as abnormal stops, unsafe interactions, and rule violations. We propose CRAFT, a Contextual pReference Alignment Framework for Traffic Simulation, to mitigate this mismatch via self-supervised failure discovery and preference-guided test-time alignment. CRAFT treats the base simulator as a globally observable sandbox, generating diverse what-if rollouts from logged initial states to expose context-induced failures. These failures are grounded with human-aligned driving priors and converted into preference supervision for training a Contextual Preference Evaluator (CPE). At inference time, CPE acts as a plug-in alignment module that scores candidate actions under complete scene context and reweights autoregressive decoding toward globally coherent behaviors. CRAFT mitigates this local-to-global contextual bias, reducing collisions by 31.2\% and traffic violations by 33.2\% without retraining the base simulator.
• Abstract（参考訳）: ローカライズ・トゥ・グロバルなコンテキストミスマッチは、エゴ中心の運転ログをトレーニングした自動回帰交通シミュレータが、グローバルな観測可能なクローズドループ環境にデプロイされたときに発生する。 このようなログでは、エゴの車両は局所的な観測が豊富であるが、周囲のエージェントは知覚限界と閉塞のために部分的にしか観察されない。 その結果、シミュレーターはログベースのトレーニングで隠されているがクローズドループのロールアウト中に現れる不完全なコンテキスト-アクションマッピングを学習し、異常停止、安全でない相互作用、ルール違反などの非現実的な行動を引き起こす。 交通シミュレーションのためのコンテキスト参照アライメントフレームワークであるCRAFTを提案し,このミスマッチを自己監督型障害発見と優先誘導型テスト時間アライメントにより軽減する。 CRAFTは、基地シミュレータをグローバルな観測可能なサンドボックスとして扱い、ログ化された初期状態からさまざまなWhat-ifロールアウトを生成して、コンテキストによって引き起こされた障害を公開する。 これらの障害は、人間と協調した運転先に基づいており、コンテキスト優先評価器(CPE)の訓練のための優先監督に変換される。 推測時、CPEはプラグインアライメントモジュールとして機能し、完全なシーンコンテキスト下での候補アクションをスコアし、グローバルなコヒーレントな振る舞いに向けて自己回帰デコーディングを再重み付けする。 CRAFTはこの局所的・言語的文脈バイアスを緩和し、ベースシミュレータを再訓練することなく衝突を31.2\%、交通違反を33.2\%削減する。

関連論文リスト

• VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation [50.18051979020699]
  VIPSは擬似シミュレーションに基づくV2I設定における協調自動運転のベンチマークである。 CoS-V2Xはスパース表現に基づく協調計画フレームワークである。
  論文  参考訳（メタデータ） (2026-09-02T11:32:52Z)
• BehaviorWorldGen: Closing the Loop between Action Models and World Simulators via Controllable Behavior-Aware Structured World Generation [22.803470671269874]
  本稿では,アクションモデルと世界シミュレータのループを閉じるフレームワークであるBehaviorWorldGenを紹介する。 コアコンポーネントは、メタアクション条件付きトラフィックフローモデルであるBehavimentFlowである。 結果として生じるロールアウトは、ワールドシミュレーターによって現実的なマルチビュー観測にレンダリングされる。
  論文  参考訳（メタデータ） (2026-08-23T02:53:09Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• Learning Direct Control Policies with Flow Matching for Autonomous Driving [32.505127447635864]
  自律走行のためのフローマッチングプランナーは、加速度と曲率によって定義された実行可能な軌道を生成する。 モデルは、周囲のシーンの鳥の目視(BEV)制御プロファイルに条件付けされる。 反応エージェントを用いた2次元交通シミュレータから収集した都市シナリオのみをトレーニングする。
  論文  参考訳（メタデータ） (2026-05-14T13:37:48Z)
• Controllable User Simulation [41.65602738642653]
  この研究は、因果推論問題として制御可能なシミュレーションを定式化する。 本研究では, 教師付き微調整による訓練シミュレータの標準的な実践が, 構造的に偏りのあるモデルをもたらすことを示す。 本稿では,事前制御,ステップワイズ動的制御,方針条件付き直接学習など,実践的なトレーニング緩和を提案する。
  論文  参考訳（メタデータ） (2026-05-12T04:44:29Z)
• 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)
• FedAvg-Based CTMC Hazard Model for Federated Bridge Deterioration Assessment [0.0]
  本稿では, 連続時間マルコフ連鎖(CTMC)ハザードモデルによる橋梁劣化の予測を行うための枠組みを提案する。 各ユーザはローカル検査データを保持し、3つの劣化方向遷移に対してログ線形ハザードモデルをトレーニングする。 ローカル検査データセットを共有技術標準プラットフォームに登録するユーザは、定期的に更新されたグローバルベンチマークパラメータを受信する。
  論文  参考訳（メタデータ） (2026-02-22T03:24:03Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• 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)
• CtRL-Sim: Reactive and Controllable Driving Agents with Offline Reinforcement Learning [38.63187494867502]
  CtRL-Simは、リターン条件付きオフライン強化学習(RL)を利用して、リアクティブで制御可能なトラフィックエージェントを効率的に生成する手法である。 CtRL-Simは,エージェントの挙動を詳細に制御しながら,現実的な安全クリティカルシナリオを生成可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-29T02:10:19Z)
• 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)

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。