論文の概要: Controllable Crowd Generation through World-Model Planning
- arxiv url: http://arxiv.org/abs/2610.09438v1
- Date: Wed, 07 Oct 2026 04:50:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.717994
- Title: Controllable Crowd Generation through World-Model Planning
- Title（参考訳）: 世界モデルプランニングによる制御可能な群衆生成
- Abstract要約: Ctrl-CWMは、クラウド生成と実行時の制御を統合する制御可能なクラウドワールドモデルである。
我々の鍵となる考え方は、想像上の未来を生かした計画のワールドモデル原理をクラウドシミュレーションに適応させることである。
Ctrl-CWMは、ほとんどの群衆リアリズムと衝突メトリクスにおいて最先端の手法よりも優れている。
- 参考スコア（独自算出の注目度）: 27.25815724760065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Crowd simulation plays a central role in robot navigation, autonomous driving, and urban planning. For these applications, realistic simulation requires crowds to adapt their behavior to environmental changes and user objectives. However, existing methods that rely on predefined control settings have limited flexibility in accommodating new user-specified objectives. To address this limitation, we propose Ctrl-CWM, a multi-agent Controllable Crowd World Model that integrates crowd generation and run-time control. Our key idea is to adapt the world-model principle of planning using imagined futures to crowd simulation. To this end, Ctrl-CWM consists of an encoder that learns a representation of human motion dynamics, an actor that proposes pedestrian displacements, a critic that evaluates imagined crowd trajectories, and a planner that selects actions. We first learn human motion dynamics through trajectory prediction on real-world pedestrian videos and then freeze the encoder to preserve them. Using this representation, the actor generates imagined crowd trajectories through repeated state updates, and the planner combines the critic's scores with user costs to select actions. Repeated planning advances the simulated crowd, while additional user costs introduce new control objectives without retraining. We extensively evaluate crowd generation under varied agent arrival conditions and run-time control across avoidance and attraction scenarios. Ctrl-CWM outperforms the state-of-the-art method on most crowd realism and collision metrics, and adapts crowd behaviors to user-specified objectives introduced during simulation. The project page is available at https://jungyu0413.github.io/Ctrl-CWM
- Abstract（参考訳）: 群衆シミュレーションは、ロボットナビゲーション、自動運転、都市計画において中心的な役割を果たす。
これらのアプリケーションに対して、現実的なシミュレーションでは、群衆は環境変化やユーザ目標に自分たちの行動を適用する必要がある。
しかし、事前定義された制御設定に依存する既存のメソッドは、新しいユーザ指定の目的を収容する際の柔軟性に制限がある。
この制限に対処するため,クラウド生成と実行時制御を統合したマルチエージェント制御可能なクラウドワールドモデルであるCtrl-CWMを提案する。
我々の鍵となる考え方は、想像上の未来を生かした計画のワールドモデル原理をクラウドシミュレーションに適応させることである。
この目的のために、Ctrl-CWMは、人間の運動力学の表現を学ぶエンコーダ、歩行者の変位を提案するアクター、想像上の群衆軌道を評価する批評家、行動を選択するプランナーで構成される。
まず、現実世界の歩行者ビデオの軌跡予測から人間の運動力学を学習し、それを保存するためにエンコーダを凍結する。
この表現を用いて、アクターは状態更新を繰り返して想像上の群衆軌跡を生成し、プランナーは批評家のスコアとユーザコストを組み合わせて行動を選択する。
繰り返し計画がシミュレーションされた群衆を前進させる一方で、追加のユーザコストは、再訓練せずに新しいコントロール目標を導入する。
我々は,様々なエージェント到着条件下での群集生成と,回避シナリオとアトラクションシナリオをまたいだ実行時制御を広範囲に評価した。
Ctrl-CWMは、ほとんどの群衆リアリズムや衝突測定値において最先端の手法よりも優れており、シミュレーション中に導入されたユーザ特定目的に群衆の振る舞いを適応させる。
プロジェクトページはhttps://jungyu0413.github.io/Ctrl-CWMで公開されている。
関連論文リスト
- Masked Visual Actions for Unified World Modeling [96.12988421978463]
Masked Visual Actionsは、ビデオ内の任意の実体の部分的に明らかな軌跡としてアクションを表現するピクセル空間制御インタフェースである。
Revealing Robot Motionは、このモデルをフォワードダイナミクスモデルとして機能させ、低レベルのロボット動作に対するシーンの反応を予測する一方で、望ましい物体の動きを明らかにすることにより、同じモデルがロボットの動作をその結果と一致させる。
論文 参考訳（メタデータ） (2026-07-21T17:59:11Z) - RESCUE: Crowd Evacuation Simulation via Controlling SDM-United Characters [48.21227099856613]
現在の避難モデルは、避難中に起こる複雑な人間の行動を見渡す。
本研究では,3次元適応型SFM(Social Force Model)決定機構とパーソナライズされた歩行制御モータを統合したリアルタイム3次元集団避難シミュレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-27T03:50:18Z) - Continuous Locomotive Crowd Behavior Generation [23.45902601618188]
本研究では,不均一な行動や相互作用を伴う連続的,現実的な群集軌道を自動生成する新しい手法を提案する。
提案手法は, 多様な集団行動パターンを効果的にモデル化し, 地理的に異なる環境にまたがってよく一般化できることを実証する。
論文 参考訳（メタデータ） (2025-04-07T06:08:59Z) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。
コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
論文 参考訳（メタデータ） (2023-03-06T18:59:09Z)
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。