論文の概要: CommonRoad-Game: A Human-in-the-Loop Simulation Framework for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.01382v1
• Date: Wed, 01 Jul 2026 18:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.556288
• Title: CommonRoad-Game: A Human-in-the-Loop Simulation Framework for Autonomous Driving
• Title（参考訳）: CommonRoad-Game: 自動運転のためのヒューマン・イン・ザ・ループ・シミュレーション・フレームワーク
• Authors: Yunfei Bi, Youran Wang,
• Abstract要約: 我々はCommonRoadプラットフォームと密に統合された軽量なヒューマン・イン・ザ・ループ・シミュレーション・フレームワークであるCommonRoad-Gameを紹介する。 本研究では,人間参加型運動プランナーの系統的テストと,対話型シナリオにおける運転行動の分析に焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion planning algorithms should be evaluated in human-in-the-loop environments to ensure they produce safe and efficient behaviors during interactions. However, existing simulation platforms often rely on recorded datasets, lack dedicated interfaces for real-time human interaction, or remain weakly integrated with an autonomous driving ecosystem. Moreover, many human-in-the-loop simulators are computationally intensive by design, making them less suitable for rapid prototyping and flexible experimentation in early-stage autonomous driving research. To address these limitations, we present CommonRoad-Game, a lightweight human-in-the-loop simulation framework tightly integrated with the CommonRoad platform, focusing on the systematic testing of motion planners with human participation and the analysis of human driving behaviors in interactive scenarios. We introduce a multi-threaded architecture with a robust synchronization mechanism that aligns simulation time with wall-clock time, enabling deterministic and temporally consistent interaction between autonomous and human-driven vehicles. In addition, the framework provides a scenario generation module that records driving logs, allowing diverse and reproducible test cases to be constructed from human-in-the-loop experiments. Experimental results demonstrate that CommonRoad-Game achieves stable temporal synchronization, supports scalable multi-agent simulation, and seamlessly integrates CommonRoad-compatible motion planners to generate interactive driving scenarios. The source code is publicly available at https://github.com/Yunfei-Bi8/CommonRoad-Game.
• Abstract（参考訳）: 動作計画アルゴリズムは、対話中に安全かつ効率的な行動を生成するために、ループ内環境において評価されるべきである。 しかし、既存のシミュレーションプラットフォームは、しばしば記録されたデータセットに依存し、リアルタイムのヒューマンインタラクションのための専用のインターフェースが欠如している。 さらに、ループ内シミュレータの多くは設計によって計算集約されており、初期の自律運転研究において、高速なプロトタイピングや柔軟な実験には適さない。 このような制約に対処するため,我々は,CommonRoadプラットフォームと密に統合された軽量なヒューマン・イン・ザ・ループ・シミュレーション・フレームワークであるCommonRoad-Gameを紹介した。 シミュレーション時間とウォールクロック時間との整合性を両立させ,自律車と人間運転車の間で決定論的かつ時間的に一貫した相互作用を可能にする,堅牢な同期機構を備えたマルチスレッドアーキテクチャを提案する。 さらに、このフレームワークは、実行ログを記録するシナリオ生成モジュールを提供しており、多種多様な再現可能なテストケースを、ループ内の人間実験から構築することができる。 実験により、CommonRoad-Gameは安定した時間同期を実現し、スケーラブルなマルチエージェントシミュレーションをサポートし、インタラクティブな駆動シナリオを生成するためにCommonRoad互換モーションプランナをシームレスに統合することを示した。 ソースコードはhttps://github.com/Yunfei-Bi8/CommonRoad-Gameで公開されている。

関連論文リスト

• NavIsaacLab: Generating Realistic Crowd via Parallel Robot Learning for Benchmarking Human-aware Navigation [40.511983590273445]
  本稿では,ナビゲーションポリシーをベンチマークし,トレーニングするための総合的なフレームワークであるNavIsaacLabについて述べる。 提案フレームワークはIsaac Labをベースとして,フォトリアリスティックなシーンレンダリング機能を採用し,GPU上での並列シミュレーションをサポートする。 人間の行動の現実性を高めるために、軌道拡散モデルと対向運動学習コントローラを組み込んだデータ駆動型アプローチを用いる。
  論文  参考訳（メタデータ） (2026-06-24T18:08:19Z)
• GROVE: Grounded Pedestrian Simulation via Natural Language for Interactive Social Robot Navigation [3.066376644627784]
  歩行者シミュレーションは、社会ロボットナビゲーションアプローチの訓練と展開において重要な要素である。 GROVEはテキストからシナリオまでの歩行者シミュレーションフレームワークで、最先端のアプローチを組み合わせて現実的で社会的に困難なシナリオを生成する。 人間のシミュレーションはアイザック・シム、ガゼボ、RVizシミュレータに直接統合され、高度に社会的な環境でロボットを配置する。
  論文  参考訳（メタデータ） (2026-06-24T07:39:01Z)
• From Code to Road: A Vehicle-in-the-Loop and Digital Twin-Based Framework for Central Car Server Testing in Autonomous Driving [12.14436913195805]
  本研究は,集中型E/Eアーキテクチャ上での自動車ソフトウェアテストフレームワークを提案する。 このフレームワークは、ダイナモメーターテストベンチに物理テスト車両を、シミュレーション環境で同期仮想車両と結合する。
  論文  参考訳（メタデータ） (2026-03-05T15:23:28Z)
• 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)
• HybridWorldSim: A Scalable and Controllable High-fidelity Simulator for Autonomous Driving [59.55918581964678]
  HybridWorldSimは、静的バックグラウンドのためのマルチトラバースニューラルネットワーク再構成と、動的エージェントの生成モデルを統合するハイブリッドシミュレーションフレームワークである。 我々は、様々な都市をまたがる幅広いルートや環境条件をキャプチャーする、新しいマルチトラバースデータセットMIRRORをリリースする。
  論文  参考訳（メタデータ） (2025-11-27T07:53:16Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• 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。