論文の概要: SenseWalk: Agent-Based Semantic Trajectory Simulation Powered by Large Language Models in Zoned Environments
- arxiv url: http://arxiv.org/abs/2607.00989v1
- Date: Wed, 01 Jul 2026 14:25:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.934046
- Title: SenseWalk: Agent-Based Semantic Trajectory Simulation Powered by Large Language Models in Zoned Environments
- Title（参考訳）: SenseWalk:ゾーン環境における大規模言語モデルを用いたエージェントベースセマンティック軌道シミュレーション
- Abstract要約: $SenseWalk$は、LLMエージェントによるセマンティックトラジェクトリのシミュレートをサポートするインタラクティブシステムである。
我々は,LLMと社会力モデルを組み合わせたシミュレーションワークフローを構築し,物理的妥当性とセマンティックコヒーレンスをバランスさせる。
- 参考スコア（独自算出の注目度）: 6.133926295796511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic trajectory analysis has recently emerged as an approach for modeling human movement by capturing implicit patterns and behaviors through semantic information (e.g., visitors' profiles and goals) beyond raw spatial paths to better understand why people move in certain ways. However, analyzing semantic trajectories in real-world scenarios remains challenging, as collecting high-quality data is costly and often lacks rich semantic information. Meanwhile, existing simulation tools require substantial technical expertise, which makes them difficult for practitioners to adopt. To address these limitations, the paper proposes ${SenseWalk}$, an interactive system that supports simulating semantic trajectories by LLM-powered agents. We develop a simulation workflow that combines LLMs and the social force model to balance physical plausibility and semantic coherence. A user-friendly interface is designed to facilitate users in customizing the simulation configuration and analyzing simulation outputs. We also conduct a quantitative experiment to evaluate the effectiveness of our simulation workflow, and a user study (n=12) to assess the usefulness and efficiency of our system.
- Abstract（参考訳）: 近年,意味的情報(ビジターのプロファイルや目標など)を通じて暗黙のパターンや行動を捉え,人々がなぜある方法で動くのかをよりよく理解することで,人間の動きをモデル化する手法としてセマンティック軌道解析が登場している。
しかし、高品質なデータ収集にはコストがかかり、リッチなセマンティック情報が欠落することが多いため、現実のシナリオにおけるセマンティックトラジェクトリの分析は依然として困難である。
一方、既存のシミュレーションツールは技術的な専門知識を必要とするため、実践者が採用するのが困難である。
これらの制約に対処するため、LLMエージェントによる意味的軌跡のシミュレートを支援する対話型システムである{SenseWalk}$を提案する。
我々は,LLMと社会力モデルを組み合わせたシミュレーションワークフローを構築し,物理的妥当性とセマンティックコヒーレンスをバランスさせる。
ユーザフレンドリーなインターフェースは、シミュレーション構成のカスタマイズとシミュレーション出力の分析を容易にするように設計されている。
また,シミュレーションワークフローの有効性を評価するための定量的実験と,システムの有用性と効率を評価するためのユーザスタディ(n=12)も実施する。
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) - Mind the Sim2Real Gap in User Simulation for Agentic Tasks [101.69142591891234]
ユーザシミュレーションにおけるSim2Realのギャップを形式化し、実際の人間に対して$$$-benchプロトコルを実行する最初の研究を示す。
LLMシミュレータは過度に協調的であり、スタイリスティックに均一であり、現実的なフラストレーションや曖昧さを欠いている。
これらの知見は, LLMベースのユーザシミュレータをエージェント開発サイクルで使用する際の人間による検証の重要性を強調した。
論文 参考訳（メタデータ） (2026-03-11T19:12:31Z) - Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。
本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。
実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-03-06T12:32:56Z) - UXSim: Towards a Hybrid User Search Simulation [2.50369129460887]
人間のコンピュータ相互作用に固有の真のダイナミズムとパーソナライゼーションは、より統合されたアプローチを要求する。
この作業では、両方のアプローチを統合する新しいフレームワークであるUXSimを紹介します。
論文 参考訳（メタデータ） (2026-02-27T18:14:34Z) - AgentSUMO: An Agentic Framework for Interactive Simulation Scenario Generation in SUMO via Large Language Models [4.892076282924386]
本研究では,大規模言語モデルを用いた対話型シミュレーションシナリオ生成のためのエージェントフレームワークを提案する。
AgentSUMOは、ユーザの意図を解釈し、タスクの複雑さを評価し、パラメータを推測し、実行可能なシミュレーション計画を定式化する適応推論層を導入することで、命令駆動実行から離脱する。
ソウルとマンハッタンの都市ネットワークの実験では、エージェントワークフローは、非専門家のアクセシビリティを維持しながら、トラフィックフローのメトリクスを大幅に改善することを示した。
論文 参考訳（メタデータ） (2025-11-10T07:46:12Z) - See, Think, Act: Online Shopper Behavior Simulation with VLM Agents [58.92444959954643]
本稿では,視覚情報,特にWebページスクリーンショットのVLMによる動作シミュレーションへの統合について検討する。
我々は,協調行動予測と合理化生成にSFTを用いて,相互作用の完全な文脈を条件づける。
推論能力をさらに強化するため,RLを階層的な報酬構造と統合し,難易度因子によって拡張する。
論文 参考訳（メタデータ） (2025-10-22T05:07:14Z) - Surrogate Modeling and Explainable Artificial Intelligence for Complex Systems: A Workflow for Automated Simulation Exploration [0.9236873716369859]
複雑なシステムは、シミュレーション駆動工学によってますます研究されている。
1) 正確な探索には多くの高価なシミュレーターが必要であり、(2) 決定が不透明なブラックボックスコンポーネントに依存する場合の透明性と信頼性が制限されている。
本研究では, 軽量エミュレータを高速かつ低遅延で高価なシミュレータの近似を提供し, (ii) 厳密な不確実性定量化を実現し, (iii) グローバルおよびローカルな説明可能な人工知能 (XAI) 解析に適応させる, 実験のコンパクトな設計について, 両課題に対処するワークフローを提案する。
論文 参考訳（メタデータ） (2025-10-19T07:55:52Z) - DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [86.76714527437383]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-02-18T02:37:26Z) - DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。
本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。
本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
論文 参考訳（メタデータ） (2024-06-04T04:53:05Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳（メタデータ） (2023-09-01T19:29:53Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - 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。