論文の概要: ECoSim: Data Efficient Fine-Tuning for Controllable Traffic Simulation

• arxiv url: http://arxiv.org/abs/2607.00545v1
• Date: Wed, 01 Jul 2026 07:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.779893
• Title: ECoSim: Data Efficient Fine-Tuning for Controllable Traffic Simulation
• Title（参考訳）: ECoSim:制御可能な交通シミュレーションのためのデータ効率の良い微調整
• Authors: Yu-Hsiang Chen, Wei-Jer Chang, Yi-Ting Chen, Masayoshi Tomizuka,
• Abstract要約: 制御可能な交通シミュレーションは自律走行システムのテストに不可欠である。 既存のアプローチでは、広範囲な注釈付きデータで大きな生成モデルを再訓練する必要があることが多い。 マルチモーダル制御を可能にする軽量な制御適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 48.30643653308979
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controllable traffic simulation is critical for testing autonomous driving systems, yet existing approaches often require retraining large generative models with extensive annotated data. We introduce a lightweight control adaptation framework that enables multi-modal controllability (sketch, latent behavior codes, and text) for pretrained state-of-the-art diffusion and autoregressive traffic models. By modulating intermediate features through identity-initialized FiLM layers, our method efficiently adds new control modalities while preserving the base model's generative prior. Evaluated on Waymo Open Sim Agents Challenge, our approach demonstrates strong controllability with less than 1% of the paired control data. Through context-aware condition transfer, our framework enables counterfactual scenario generation and long-tail synthesis while maintaining stable closed-loop driving realism and safety. Our framework unlocks new possibilities for controllable traffic simulation, enabling targeted scenario generation through lightweight adaptation of pretrained generative models. Project page: https://ecosim-web.github.io/
• Abstract（参考訳）: 制御可能な交通シミュレーションは、自律走行システムのテストには不可欠であるが、既存のアプローチでは、広範囲な注釈付きデータで大規模な生成モデルを再訓練する必要があることが多い。 本稿では,事前訓練された最先端拡散および自己回帰的交通モデルに対するマルチモーダル制御性(スケッチ,潜時動作コード,テキスト)を実現する軽量な制御適応フレームワークを提案する。 本手法は,識別初期化FiLM層による中間特性の変調により,基本モデルの生成前を保ちながら,新しい制御モードを効率的に追加する。 Waymo Open Sim Agents Challengeで評価した手法では、ペア化された制御データの1%未満の強い制御性を示す。 コンテクスト対応の条件伝達により,安定なクローズドループ駆動リアリズムと安全性を維持しつつ,現実的なシナリオ生成とロングテール合成を実現している。 本フレームワークは,事前学習型生成モデルの軽量適応によるシナリオ生成が可能な,制御可能な交通シミュレーションの新たな可能性を実現する。 プロジェクトページ: https://ecosim-web.github.io/

関連論文リスト

• RLFTSim: Realistic and Controllable Multi-Agent Traffic Simulation via Reinforcement Learning Fine-Tuning [19.985714275376726]
  本稿では,強化学習に基づく微調整フレームワーク RLFTSim を紹介する。 シミュレータのロールアウトと実世界のデータ分散を整列することで、シナリオリアリズムを強化する。 また,目標条件設定による交通シミュレーションの再現性向上のための手法の有効性を実証する。
  論文  参考訳（メタデータ） (2026-05-18T18:57:13Z)
• InfGen: Scenario Generation as Next Token Group Prediction [49.54222089551598]
  InfGenは、エージェント状態とトラジェクトリを自動回帰的に出力するシナリオ生成フレームワークである。 実験により、InfGenは現実的で多様性があり、適応的な交通行動を生み出すことが示された。
  論文  参考訳（メタデータ） (2025-06-29T16:18:32Z)
• RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
  データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。 次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。 微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
  論文  参考訳（メタデータ） (2025-05-06T09:12:37Z)
• 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)
• 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)
• Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
  制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。 本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
  論文  参考訳（メタデータ） (2022-10-31T14:44:59Z)

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。