Jan, 2021

TrafficSim：学习模拟真实多智体行为

PDF
TL;DR利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型，以更多样化的人类演示数据为基础，生成人类社交一致的行驶计划，生成更真实、更多样化的交通场景，可作为训练更好的运动规划员的有效数据增强。
simulationself-driving systemsmulti-agent behaviorstrafficsimhuman demonstration
发现论文，激发创造
  • 逆强化学习驱动的面向目标的交通仿真

    本研究使用参数共享对抗逆强化学习模型，将交通仿真视为一个逆强化学习问题，并且能够在实际环境中模拟出车辆轨迹，同时还能够恢复反映车辆真实目标的奖励函数，与现有方法相比，在多样化的实际交通环境中表现出卓越的性能和稳健性。

    May, 2021

  • 闭环中学习真实交通代理

    使用闭环模拟学习方法 RTR，在模拟和真实数据集中训练交通仿真策略，以提高交通规则遵守性和仿真的真实性。

    Nov, 2023

  • 学习从稀疏轨迹数据中模拟

    ImInGAIL 框架通过结合数据插值和模仿学习的行为学习过程来解决从稀疏实际数据中学习模拟驾驶行为的问题，并在合成和实际驾驶车辆轨迹数据集上取得了优于其他基线方法和现有技术的表现。

    Mar, 2021

  • BITS: 交通仿真的双层模仿

    本研究提出了一种基于数据驱动的方法（称为 BITS）来生成具有现实感、多样性和远期稳定性的交通行为，该方法将交通仿真问题分解为高层意图推断和低层驾驶行为模仿的双层层次结构，并引入了规划模块来获取稳定的长期行为。同时，还开发出一种软件工具，统一不同驾驶数据集的数据格式并将现有数据集中的场景转换为交互式仿真环境。

    Aug, 2022

  • LASIL: 面向学习者感知的长期微观交通模拟的有监督模仿学习

    本文介绍了一种称为学习者感知的监督式模仿学习模型，用于解决多智能体模仿学习中的协变量转移问题，通过利用变分自动编码器同时建模专家和学习者状态分布，在城市交通仿真中应用，展示了在真实数据集 pNEUMA 上在短期微观和长期宏观仿真中相较于现有 baselines 的显著改进。

    Mar, 2024

  • 利用人类反馈进行逼真交通模拟的强化学习

    通过使用强化学习和人类偏好对齐，该研究旨在改善现有交通模型的模拟真实性，解决交通模拟模型的多样性和人类偏好的问题。该研究还提出了用于实现真实性对齐的数据集，并以 nuScenes 数据集的综合评估验证了 TrafficRLHF 框架在生成与人类偏好一致的逼真交通场景方面的能力。

    Sep, 2023

  • LitSim：长期交互式交通模拟的冲突感知策略

    LitSim 是一种长期交互式模拟方法，通过重新播放记录来模拟大多数场景，并仅在 LitSim 预测到不真实冲突时进行干预，从而鼓励代理之间的交互并解决冲突，从而减少不真实碰撞的可能性。我们在真实世界的数据集 NGSIM 上训练和验证我们的模型，实验结果表明 LitSim 在逼真性和响应性方面优于当前流行的方法。

    Mar, 2024

  • TrajGen: 为自动驾驶生成现实和多样化的轨迹，并包含反应性和可行性的代理行为

    本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。

    Mar, 2022

  • 机器中的目的：交通模拟器是否能为强化学习应用程序产生分布等效的结果？

    交通模拟器对于智能交通系统的学习数据生成起着重要作用。本研究通过对两种常用交通应用强化学习（RL）代理训练的模拟器 CityFlow 和 SUMO 进行控制实验，发现它们在 RL 相关度量指标上存在分布等效性的问题，暗示交通模拟器对 RL 训练并非万能解决方案。了解不同模拟器之间的差异对于训练和部署基于 RL 的智能交通系统至关重要。

    Nov, 2023

  • SimNet：从真实观测中学习反应式自动驾驶模拟

    本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。

    May, 2021