論文の概要: Autonomous discovery of traffic laws with AI traffic scientists

• arxiv url: http://arxiv.org/abs/2607.01639v1
• Date: Thu, 02 Jul 2026 03:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.646159
• Title: Autonomous discovery of traffic laws with AI traffic scientists
• Title（参考訳）: AIによる交通法則の自律的発見
• Authors: Xingyuan Dai, Yue Liu, Xiaoyan Gong, Qinghai Miao, Junyou Shang, Yutong Wang, Chao Guo, Yonglin Tian, Yizhang Chai, Chao Xiang, Yisheng Lv, Fei-Yue Wang,
• Abstract要約: TrafficSciは、監査可能なワークフローとしてトラフィックロー発見を定式化するエージェントAIシステムである。 3つの確立された交通法を自律的に再検討し、都市運転行動における固有の時間記憶尺度を特定する。 TrafficSciは、制御されたドメインから複雑な都市システムへのAIによる科学的発見を拡張するためのルートを提供する。
• 参考スコア（独自算出の注目度）: 29.244087825343257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Universal traffic laws describe recurrent patterns in congestion, mobility and driving behavior across cities, providing a scientific basis for transportation planning, management and control. Their discovery, however, remains expert-driven, requiring candidate regularities to be identified from heterogeneous observational evidence or validated through intervention experiments. Although autonomous artificial intelligence (AI) systems have advanced scientific discovery in controlled laboratory settings, extending them to complex transportation domains remains a challenge. Here we present TrafficSci, an agentic AI system that formulates traffic-law discovery as an iterative, auditable workflow integrating evidence scoping, critic-judge hypothesis induction, and observational-interventional validation. Across four case studies spanning population, network, control and trajectory scales, TrafficSci autonomously rediscovers three established traffic laws and identifies an unreported intrinsic temporal memory scale in urban driving behavior, statistically consistent across eight cities and two trajectory datasets. TrafficSci provides a route for extending AI-driven scientific discovery from controlled domains to complex urban systems.
• Abstract（参考訳）: 普遍交通法は、都市間の渋滞、移動、運転行動の反復パターンを記述し、交通計画、管理、制御のための科学的基盤を提供する。 しかし、これらの発見は専門家主導で行われており、不均一な観察証拠から候補の正則性を特定するか、介入実験を通じて検証する必要がある。 自律人工知能(AI)システムは、制御された実験室で科学的発見が進んでいるが、それらを複雑な輸送領域に拡張することは依然として困難である。 ここでは、エビデンススコーピング、批判的・批判的仮説誘導、観察的・干渉的検証を統合した、反復的で監査可能なワークフローとして、交通法発見を定式化するエージェントAIシステムであるTrafficSciを紹介する。 人口、ネットワーク、制御、軌道規模の4つのケーススタディの中で、TrafficSciは3つの交通法を自律的に再検討し、8つの都市と2つの軌道データセットで統計的に整合した都市運転行動において、未報告の内在的時間記憶尺度を特定した。 TrafficSciは、制御されたドメインから複雑な都市システムへのAIによる科学的発見を拡張するためのルートを提供する。

関連論文リスト

• Reinforcement Learning-Based Traffic Signal Control for IoT-Enabled Intersections [0.0]
  交通信号システムは、スマートシティインフラストラクチャ内のネットワーク化されたサイバー物理コンポーネントとして、ますます多くデプロイされている。 本稿では,クウェートの信号化都市交差点における適応信号運用におけるエッジ・インテリジェント手法としての強化学習について検討する。
  論文  参考訳（メタデータ） (2026-06-20T15:44:01Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Artificial Intelligence in Traffic Systems [0.0]
  この記事では、AIとトラフィック管理が交わるトピックについてレビューする。 AIによる交通信号制御システム、自動距離、速度認識などの分野で構成されている。 トラフィック管理におけるAIのメリットも様々である。
  論文  参考訳（メタデータ） (2024-12-16T18:15:49Z)
• Cooperative Cruising: Reinforcement Learning-Based Time-Headway Control for Increased Traffic Efficiency [4.982603129041808]
  本稿では,高速道路の交通効率を人的交通と比較して初めて向上させる新しいAIシステムを提案する。 私たちのアプローチの核心は、自動車両にタイムヘッドを通信する強化学習ベースのコントローラです。
  論文  参考訳（メタデータ） (2024-12-03T16:13:42Z)
• AI-Driven Scenarios for Urban Mobility: Quantifying the Role of ODE Models and Scenario Planning in Reducing Traffic Congestion [0.0]
  本稿では,人工知能(AI)駆動技術が交通渋滞動態に与える影響について検討する。 我々は,自動運転車やインテリジェント交通管理といったAIイノベーションが,さまざまな規制枠組みの下での混雑緩和に果たす役割を評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:09:02Z)
• Agent-Agnostic Centralized Training for Decentralized Multi-Agent Cooperative Driving [17.659812774579756]
  本研究では,自律走行車における分散型協調運転ポリシーを学習する非対称アクター・批判モデルを提案する。 マスキングを用いたアテンションニューラルネットワークを用いることで,実世界の交通動態と部分観測可能性の効率よく管理できる。
  論文  参考訳（メタデータ） (2024-03-18T16:13:02Z)
• 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)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge [49.976633450740145]
  本稿では,シミュレーション都市環境における自律走行車両のナビゲーション設計について述べる。 我々のアーキテクチャは、CARLA Autonomous Driving Challengeの要件を満たすために作られました。
  論文  参考訳（メタデータ） (2020-10-23T18:07:48Z)

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。