論文の概要: REARL: A Closed-loop Autonomous Driving Simulation Enhancement Framework with Real Traffic Data and Large Language Models

• arxiv url: http://arxiv.org/abs/2609.19903v2
• Date: Thu, 24 Sep 2026 06:33:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.267761
• Title: REARL: A Closed-loop Autonomous Driving Simulation Enhancement Framework with Real Traffic Data and Large Language Models
• Title（参考訳）: REARL: 実交通データと大規模言語モデルを備えた閉ループ自律運転シミュレーションフレームワーク
• Abstract要約: 本稿では,実交通データと大規模言語モデルを統合するクローズドループシミュレーション拡張フレームワークREARLを提案する。 タイムド・スライディング・ウインドウ検出器は、車両の速度分布と車両間の間隔の差をモニターする。 LLMは、交通スナップショットからマッチングされた実車を選択し、その実行動を参照してシミュレーションされた車両を変調する。
• 参考スコア（独自算出の注目度）: 17.249738287884004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate simulation is crucial for autonomous driving development, yet capturing real-world traffic complexity remains challenging. Existing simulators that rely on predefined rules or static data playback struggle with dynamic traffic. CRITICAL uses real traffic data and a large language model (LLM) to adjust the initial simulation configuration, but the simulated distribution still diverges from real traffic as the rollout evolves. We propose REARL, a closed-loop simulation enhancement framework that integrates real traffic data with LLMs. Real traffic data are clustered, and each cluster center is used as a representative scenario that provides typical real-world traffic patterns for the LLM. A timed sliding-window detector then monitors discrepancies in vehicle speed distribution and mean spacing between pairs of vehicles. If a metric exceeds a threshold, the LLM adjusts vehicle decision-making; otherwise the existing controller is kept. The LLM also selects a matching real vehicle from a traffic snapshot and modulates the simulated vehicle with reference to that real action. In a controlled HighD highway setting, compared with the CRITICAL baseline and a PPO-based learning baseline, REARL reduces the Hellinger distance for speed distributions to 0.3067 and the MAPE for mean spacing to 0.8371, while achieving a time headway (THW) of 22.8575 and a lane change rate of 0.0708.
• Abstract（参考訳）: 自動運転車の開発には正確なシミュレーションが不可欠だが、現実の交通の複雑さを捉えることは依然として難しい。 事前定義されたルールや静的データ再生に依存する既存のシミュレータは、動的トラフィックと競合する。 CRITICALは、実際のトラフィックデータと大きな言語モデル(LLM)を使用して初期シミュレーション設定を調整するが、シミュレーションされた分布はロールアウトが進むにつれて実際のトラフィックから分岐する。 実交通データをLLMと統合するクローズドループシミュレーション拡張フレームワークREARLを提案する。 実際のトラフィックデータはクラスタ化され、各クラスタセンターは、LLMの典型的な現実世界のトラフィックパターンを提供する代表的なシナリオとして使用される。 タイムド・スライディング・ウインドウ検出器は、車両の速度分布と車両間の間隔の差をモニターする。 メートル法がしきい値を超えた場合、LCMは車両の意思決定を調整する。 LLMはまた、交通スナップショットからマッチングされた実車を選択し、その実行動を参照してシミュレーションされた車両を変調する。 制御されたハイDハイウェイ設定では、CRITicalベースラインとPPOベースの学習ベースラインと比較して、REARLは、平均距離が0.3067、MAPEが0.8371に減少し、タイム・ヘッドウェイ(THW)が22.8575、レーン変更率が0.0708となる。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Enhancing LLM-based Autonomous Driving with Modular Traffic Light and Sign Recognition [15.4994260281059]
  大規模言語モデル(LLM)は、自律運転における意思決定と計画にますます利用されている。 LLMをベースとした自律走行エージェントを明示的な信号と信号認識で拡張するモジュール冗長層であるTLS-Assistを導入する。 LMDriveを14%,BEVDriverを7%,運転性能を14%向上させた。
  論文  参考訳（メタデータ） (2025-11-18T11:52:52Z)
• Traffic Intersection Simulation Using Turning Movement Count Data in SUMO: A Case Study of Toronto Intersections [9.657072841833243]
  本稿では,トロント市からの車両回転数(TMC)データを活用する交差点交通シミュレーションツールを提案する。 本研究で実施したシミュレーションは、ネットワークを介して完全な車両経路を作成することなく、交差点レベルの交通発生に焦点を当てたものである。 シミュレーショントラフィックを実データに対して評価することにより,シミュレーションが実交叉流を密に再現することを示す。
  論文  参考訳（メタデータ） (2025-08-14T15:12:50Z)
• Smart Traffic Signals: Comparing MARL and Fixed-Time Strategies [0.0]
  都市交通渋滞、特に交差点での交通渋滞は、旅行時間、燃料消費および排出に大きな影響を及ぼす。 従来の固定時間信号制御システムは、動的トラフィックパターンを効果的に管理する適応性に欠けることが多い。 本研究では,複数交差点間の交通信号調整を最適化するためのマルチエージェント強化学習の適用について検討する。
  論文  参考訳（メタデータ） (2025-05-20T15:59:44Z)
• Large Language Models (LLMs) as Traffic Control Systems at Urban Intersections: A New Paradigm [5.233512464561313]
  本研究では,Large Language Models (LLM) をトラヒックコントローラとして利用することで,トラヒック制御システムに新たなアプローチを提案する。 この研究は、論理的推論、シーン理解、意思決定能力を利用してスループットを最適化し、リアルタイムで交通状況に基づいたフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-11-16T19:23:52Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• RegTraffic: A Regression Based Traffic Simulator for Spatiotemporal Traffic Modeling, Simulation and Visualization [0.6531546527140474]
  本稿では,動的回帰に基づくトラフィック解析を統合した対話型トラフィックシミュレータRegTrafficを提案する。 RegTrafficは、1.3Km/hの平均正方形エラーと1.71Km/hのルート平均正方形エラーを効果的に予測できる。
  論文  参考訳（メタデータ） (2022-11-23T03:34:27Z)

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。