論文の概要: Top-down Traffic Scenario Generation via Joint Initial-Goal Diffusion and Trajectory Infilling

• arxiv url: http://arxiv.org/abs/2608.11407v1
• Date: Tue, 11 Aug 2026 20:13:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.366887
• Title: Top-down Traffic Scenario Generation via Joint Initial-Goal Diffusion and Trajectory Infilling
• Title（参考訳）: 共同初期方向拡散と軌道埋込みによるトップダウン交通シナリオ生成
• Abstract要約: 既存の交通シミュレータでは、エージェントの初期状態がトラジェクトリを生成する必要がある。 本稿では,初期状態と目標状態のペアによって定義された高レベルのトラフィックシナリオを生成するTrafficDiffuserを提案する。 本稿では、異なる軌道モードに基づく制約を含む、生成された高レベルトラフィックシナリオをどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 3.2061579211871387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust traffic simulators are crucial for developing and testing autonomous vehicles to reduce the costly, labor-intensive real-world data collection process and the need for physical presence on the road. However, existing simulators require agents' initial states to generate trajectories, which limits scalability and diversity due to restrictions on the given initial states. While data-driven agent initialization has been widely studied, the generated initial states are not interpretable in terms of why the agents are initialized at those specific locations. Given known initial states, trajectory generation is also a challenging problem, as the model must learn the variability of the destination and how agents should reach it over time. In this paper, we propose TrafficDiffuser, a top-down traffic scenario generation framework that generates high-level traffic scenarios, defined by initial and goal state pairs, by jointly modeling them. The high-level scenario generation makes initial states better interpretable and reduces trajectory generation into as simple as an infilling problem. We demonstrate how the generated high-level traffic scenarios can be used, including constraining based on different trajectory modes and integrating them with existing trajectory generation models. We conduct extensive experiments on the Argoverse 2 motion prediction dataset to evaluate how well the generated outputs capture real-world distributions. In addition to generating goal states, TrafficDiffuser outperforms the next-best approach for agent initialization, reducing speed distribution distance by 55.3% and the off-road rate by 2.8%.
• Abstract（参考訳）: ロバストな交通シミュレータは、コストがかかる労働集約的な現実世界のデータ収集プロセスと、道路上の物理的存在の必要性を減らすために、自動運転車の開発とテストに不可欠である。 しかし、既存のシミュレータでは、エージェントの初期状態に対して、与えられた初期状態の制限によりスケーラビリティと多様性を制限するトラジェクトリを生成する必要がある。 データ駆動型エージェントの初期化は広く研究されているが、生成された初期状態は、エージェントがそれらの特定の場所で初期化される理由の観点から解釈できない。 既知の初期状態を考えると、モデルが目的地の可変性とエージェントが時間とともにそれに到達する方法を学ぶ必要があるため、軌道生成もまた難しい問題である。 本稿では,トラフィックシナリオ生成フレームワークであるTrafficDiffuserを提案する。このフレームワークは,初期状態と目標状態のペアによって定義された高レベルトラフィックシナリオを生成する。 高レベルシナリオ生成は初期状態を解釈しやすくし、軌道生成を埋め込んだ問題と同じくらい単純なものにする。 本稿では,異なるトラジェクトリモードに基づく制約や,既存のトラジェクトリ生成モデルとの統合など,生成された高レベルトラフィックシナリオをどのように利用できるかを示す。 本研究では,Argoverse 2の動作予測データセットを用いて,生成した出力が実世界の分布をどれだけよく捉えているかを評価する。 目標状態の生成に加えて、TrafficDiffuserはエージェントの初期化のための次のベストアプローチよりも優れており、速度分布距離を55.3%、オフロードレートを2.8%削減している。

関連論文リスト

• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• 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)
• A Pretrained Probabilistic Transformer for City-Scale Traffic Volume Prediction [8.384075654211685]
  都市規模の交通量予測は、インテリジェント交通システムにおいて重要な役割を担っている。 現在のモデルは一般的に都市特有の方法で訓練されており、その一般化を妨げている。 本稿では,トラジェクトリの分散アグリゲーションとしてトラフィックボリュームをモデル化する事前学習型確率変換器であるTrafficPPTを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T09:07:29Z)
• Scenario Dreamer: Vectorized Latent Diffusion for Generating Driving Simulation Environments [39.649242431308544]
  自動運転車計画のための完全データ駆動生成シミュレータであるScenario Dreamerを紹介した。 レーングラフとエージェントバウンディングボックスで構成される初期トラフィックシーンとクローズドループエージェントの動作の両方を生成する。 ケーススタディによると、Scenario Dreamerは、最強のベースラインに比べて、パラメータが約2倍、世代が6倍、トレーニング時間が10倍の優れた生成品質を達成している。
  論文  参考訳（メタデータ） (2025-03-28T15:03:41Z)
• Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
  本稿では,レーンレベルの交通予測のための最初の体系的分類フレームワークについて述べる。 我々は,2つの実世界の道路網から3つの代表的データセットを構築し,レギュラーレーン構成と不規則レーン構成の両方を網羅した。 この統合されたフレームワークは、データセットとモデリングパラダイムをまたいだ一貫した評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-22T04:21:40Z)
• 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)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• A Diffusion-Model of Joint Interactive Navigation [14.689298253430568]
  本稿では,交通シナリオを生成する拡散に基づくDJINNを提案する。 我々のアプローチは、過去、現在、未来からのフレキシブルな状態観察のセットに基づいて、全てのエージェントの軌跡を共同で拡散させる。 本稿では,DJINNが様々な条件分布からの直接的テスト時間サンプリングを柔軟に行う方法を示す。
  論文  参考訳（メタデータ） (2023-09-21T22:10:20Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。