交通シミュレータから代理世界モデルへ：Enactor
Enactor: From Traffic Simulators to Surrogate World Models
交通マイクロシミュレータの限界を克服するため、Transformerベースのアクター中心生成モデルを提案し、交差点での物理的に一貫した軌道生成を実現。SUMOと組み合わせたシミュレーション・イン・ザ・ループで長期的な性能を評価した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Yash Ranjan, Rahul Sengupta, Anand Rangarajan, Sanjay Ranka
分類: cs.LG, cs.AI
原文アブストラクト
Traffic microsimulators are widely used to evaluate road network performance under various ``what-if" conditions. However, the behavior models controlling the actions of the actors are overly simplistic and fails to capture realistic actor-actor interactions. Deep learning-based methods have been applied to model vehicles and pedestrians as ``agents" responding to their surrounding ``environment" (including lanes, signals, and neighboring agents). Although effective in learning actor-actor interaction, these approaches fail to generate physically consistent trajectories over long time periods, and they do not explicitly address the complex dynamics that arise at traffic intersections which is a critical location in urban networks. Inspired by the World Model paradigm, we have developed an actor centric generative model using transformer-based architecture that is able to capture the actor-actor interaction, at the same time understanding the geometry to the traffic intersection to generate physically grounded trajectories that are based on learned behavior. Moreover, we test the model in a live ``simulation-in-the-loop" setting, where we generate the initial conditions of the actors using SUMO and then let the model control the dynamics of the actors. We let the simulation run for 40000 timesteps (4000 seconds), testing the performance of the model on long timerange and evaluating the trajectories on traffic engineering related metrics. Experimental results demonstrate that the proposed framework effectively captures complex actor-actor interactions and generates long-horizon, physically consistent trajectories, while requiring significantly fewer training samples than traditional agent-centric generative approaches. Our model is able to outperform the baseline in traffic related as well as aggregate metrics where our model beats the baseline by more than 10x on the KL-Divergence.
関連論文
- SHRED: 専門家デモンストレーションなしの異種道路利用者のための自己対戦交通シミュレーション
- DiTSG: マルチエージェント拡散トランスフォーマーによる文脈認識型航空交通シーン生成交通シミュレーション
- Flow-ERD: エージェント種別を考慮したフローマッチングとエントロピー正則化蒸留による多様な交通シミュレーション交通シミュレーション
- 信号交差点の閉ループマイクロシミュレーションのための生成モデル交通シミュレーション
- 多交差点都市交通のためのコリドースケールCARLA-VISSIM共シミュレーションフレームワーク交通シミュレーション
- 閉ループ交通モデリングにおける局所観測と大域シミュレーションの橋渡し交通シミュレーション
