論文の概要: SimSkill: A Lifelong Learning AI Agent for Autonomous Mastery of Traffic Simulation

• arxiv url: http://arxiv.org/abs/2609.03753v1
• Date: Thu, 03 Sep 2026 12:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.054226
• Title: SimSkill: A Lifelong Learning AI Agent for Autonomous Mastery of Traffic Simulation
• Title（参考訳）: SimSkill: 交通シミュレーションの自律的熟達のための生涯学習AIエージェント
• Abstract要約: 我々は,都市交通シミュレータ(SUMO)のシミュレーションを中心に構築された自己進化型エージェントであるSimSkillを紹介する。 SimSkillは機能ギャップを特定し、環境に根ざしたタスクを生成して解決し、アクションクリティカルループを通じてソリューションを検証し、バックボーンモデルを更新することなく、経験をエピソード、手続き、セマンティックメモリに集約する。
• 参考スコア（独自算出の注目度）: 6.026571222451572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As large language models (LLMs) become increasingly capable, the long-term value of AI systems depends not only on solving individual requests, but also on transforming experience and accumulated knowledge into durable, reusable competence. We introduce SimSkill, a self-evolving agent built around the Simulation of Urban MObility (SUMO) traffic simulator. SimSkill identifies capability gaps, generates and solves environment-grounded tasks, verifies solutions through an action--critic loop, and consolidates experience into episodic, procedural, and semantic memory without updating the backbone model. Through autonomous exploration, it builds a reusable library spanning the traffic-simulation workflow. We evaluate SimSkill on two held-out benchmarks with three backbone LLMs and independent artifact-based verification. SimSkill improves verified completion by up to 25 percentage points, while ablations show complementary contributions from procedural and semantic memory. Its benefits remain backbone- and budget-dependent: memory does not improve every model or uniformly reduce inference cost. More broadly, SimSkill illustrates a design paradigm in which natural language preserves and composes computational capabilities, while executable tools and code provide precise and reproducible execution. All code and experimental data are publicly available at https://github.com/qiliuchn/SimSkill-V1.
• Abstract（参考訳）: 大規模言語モデル(LLM)の能力が向上するにつれて、AIシステムの長期的な価値は、個々の要求を解決するだけでなく、経験や蓄積した知識を耐久性、再利用可能な能力に変換することにも依存する。 我々は,都市交通シミュレータ(SUMO)のシミュレーションを中心に構築された自己進化型エージェントであるSimSkillを紹介する。 SimSkillは機能ギャップを特定し、環境に根ざしたタスクを生成して解決し、アクションクリティカルループを通じてソリューションを検証し、バックボーンモデルを更新することなく、経験をエピソード、手続き、セマンティックメモリに集約する。 自律的な探索を通じて、トラフィックシミュレーションワークフローにまたがる再利用可能なライブラリを構築する。 我々は,3つのバックボーンLDMと独立したアーティファクトベース検証を備えた2つのベンチマークでSimSkillを評価した。 SimSkillは検証完了を最大25ポイント改善し、Ablationsは手続きとセマンティックメモリからの補完的な貢献を示している。 メモリはすべてのモデルを改善したり、推論コストを均一に削減したりしない。 より広範に、SimSkillは自然言語が計算能力を保持し、構成する設計パラダイムを示し、実行可能なツールとコードは正確かつ再現可能な実行を提供する。 すべてのコードと実験データはhttps://github.com/qiliuchn/SimSkill-V1.comで公開されている。

関連論文リスト

• Simthesizer: An Agent-Driven Simulation Framework for LLM Serving Systems [10.265484416904352]
  エージェント駆動型シミュレータ開発を実現するフレームワークであるSimthesizerを提案する。 Simthesizerは、完全なサービスワークフローを均一に表現する構成可能なシミュレータインフラストラクチャを導入している。 同一のワークロードでは、Simthesizerは2つの最先端シミュレータよりも最大284.96xと23.19x高速をシミュレートする。
  論文  参考訳（メタデータ） (2026-08-25T14:58:26Z)
• 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)
• Individual Turing Test: A Case Study of LLM-based Simulation Using Longitudinal Personal Data [54.145424717168794]
  大きな言語モデル(LLM)は、目覚ましい人間のような能力を示しているが、特定の個人を複製する能力は未発見のままである。 本稿では,10年以上にわたるプライベートメッセージ履歴のボランティア配信アーカイブを用いて,LSMに基づく個人シミュレーションのケーススタディを提案する。 本研究は,ボランティアの知人が,最も有望な多候補プール内の応答を正確に識別できるかどうかを評価するための「個別チューリングテスト」を提案する。
  論文  参考訳（メタデータ） (2026-03-01T21:46:27Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• SimuGen: Multi-modal Agentic Framework for Constructing Block Diagram-Based Simulation Models [1.0287010722745598]
  SimuGenは視覚的なSimulinkダイアグラムとドメイン知識の両方を活用することで、正確なSimulinkシミュレーションコードを自動的に生成するフレームワークである。 ソースコードはhttps://github.com/renxinxing123/SimuGen_beta.comで公開されています。
  論文  参考訳（メタデータ） (2025-05-28T00:35:43Z)
• YuLan-OneSim: Towards the Next Generation of Social Simulator with Large Language Models [50.35333054932747]
  本稿では,YuLan-OneSimというソーシャルシミュレータを紹介する。 ユーザは、シミュレータとの自然言語インタラクションを通じて、シミュレーションシナリオを記述し、洗練することができます。 我々は、経済学、社会学、政治、心理学、組織、人口統計学、法律、コミュニケーションを含む8つの領域にまたがる50のデフォルトシミュレーションシナリオを実装した。
  論文  参考訳（メタデータ） (2025-05-12T14:05:17Z)
• MemSim: A Bayesian Simulator for Evaluating Memory of LLM-based Personal Assistants [64.41695570145673]
  生成したユーザメッセージから信頼性の高い質問や回答(QA)を自動的に構築するベイズシミュレータであるMemSimを提案する。 MemSimに基づいて、MemDailyという名前の日常生活シナリオのデータセットを生成し、我々のアプローチの有効性を評価するための広範な実験を行う。
  論文  参考訳（メタデータ） (2024-09-30T10:19:04Z)
• Code Simulation Challenges for Large Language Models [6.970495767499435]
  この研究は、LLM(Large Language Models)がいかにコーディングやアルゴリズムのタスクをシミュレートできるかを研究する。 我々は、直線プログラムのベンチマーク、クリティカルパスを含むコード、近似命令および冗長命令を導入する。 本稿では,コンパイラのパターンを行/フォローすることで,LLMにコード実行行をシミュレートするように指示する,OFFプロンプト手法であるChain of Simulation(CoSm)を提案する。
  論文  参考訳（メタデータ） (2024-01-17T09:23:59Z)
• 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)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)

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。