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
A Generative Model for Closed-Loop Microsimulation of Signalized Intersections
信号交差点での車両間の複雑な相互作用を捉えるため、アクター中心の生成モデルEnactorを提案し、閉ループで安定した交通シミュレーションを実現した。
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.RO, cs.AI
原文アブストラクト
Traffic microsimulators rely on hand-crafted behavior models that reproduce aggregate flow but miss the heterogeneous interactions between vehicles at signalized intersections. Learned trajectory predictors capture richer interactions but are short-horizon and tend to be unstable when run in closed loop. We present Enactor, an actor-centric generative model for closed-loop intersection microsimulation. The model focuses on vehicles; pedestrians are included as context that can influence vehicle decisions but not predicted. Dynamic actors and lane polylines are encoded in polar coordinates referenced to the intersection center. A transformer with separate spatial and temporal attention blocks predicts a distribution over each actor's next-step motion ($s$, $\alpha$). Training uses a closed-loop curriculum so the model is exposed to its own predictions. We evaluate Enactor in two regimes. In a 4000-second simulation-in-the-loop test at two intersection geometries, Enactor controls every dynamic vehicle against a continuously refreshing actor set rather than the fixed cohort that learned trajectory predictors are usually evaluated against. It recovers the SUMO data generator's speed and travel-time distributions with KL divergence over an order of magnitude lower than a recent transformer baseline on travel time, and substantially lower on speed (roughly $5\times$ lower at Site 1), and reduces red-light violations relative to the same baseline by more than an order of magnitude. An ablation isolates the leader rear-bumper feature as the change with the largest effect on intersection-aware safety metrics. We also evaluate on real-world field data and apply the same architecture to naturalistic vehicle trajectories from a fish-eye camera at a signalized intersection and evaluate it on multi-horizon predictive tasks. Enactor outperforms a constant-velocity baseline at every horizon evaluated.
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
- 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
- RLFTSim: 強化学習による微調整で実現する現実的かつ制御可能なマルチエージェント交通シミュレーション交通シミュレーション
