May, 2023

TransWorldNG 基于基础模型的交通仿真

PDF
TL;DRTransWordNG 是第一款能够从真实交通数据中自动学习交通模式、高效生成准确、逼真交通环境的交通模拟器，它使用数据驱动的算法和图计算技术来应对交通环境的高维度和异质性。
traffic simulationdata-driven algorithmsgraph computingtransportation managementreal-world data
发现论文，激发创造
  • 通过生成图变换器构建交通基础设施模型

    本文提出了一种新的交通预测方法，称为交通基础模型（TFM），该模型结合了交通仿真原则和图形结构，能够更准确地预测城市交通状况。

    May, 2023

  • 基于语言指导的场景级扩散交通模拟

    提出了一种 CTG++ 基于学习的交通流模型，它可以通过语言指令进行指导，从而解决了交通模型控制需要领域专业知识，对实践者使用困难等问题，通过经过广泛的评估，我们展示了该方法在生成实际且符合查询要求的交通仿真方面的有效性。

    Jun, 2023

  • 语言条件下的交通生成

    该研究论文介绍了一种名为 LCTGen 的模型，它结合了大型语言模型和基于变压器的解码器架构，利用语言作为动态交通场景生成的监督来源，其在无条件和条件下的交通场景生成方面表现优于之前的研究，并且在现实感和保真度方面更好。

    Jul, 2023

  • TrafficSim：学习模拟真实多智体行为

    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。

    Jan, 2021

  • BjTT: 用于交通预测的大规模多模态数据集

    研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

    Mar, 2024

  • ChatTraffc: 通过扩散模型实现文本到交通生成

    在本研究中，我们提出了 ChatTraffic，这是一个将文本转化为交通场景的扩散模型，通过结合生成模型和描述交通系统的文本，解决了交通预测方法在异常事件敏感性和长期预测性能方面的挑战。通过结合图卷积网络和扩散模型以提取交通数据的空间相关性，并构建了一个大型的文本 - 交通数据集，实验证明 ChatTraffic 能够从文本生成逼真的交通场景。

    Nov, 2023

  • TrafficGPT：查看、处理和交互交通基础模型

    通过将 ChatGPT 和交通基础模型相结合，TrafficGPT 在交通管理领域中不仅推动了交通管理的进步，也为在该领域利用人工智能能力提供了一种新的方法。

    Sep, 2023

  • RegTraffic: 用于时空交通建模、仿真和可视化的基于回归的交通模拟器

    RegTraffic 是一种新型的交通仿真器，它能够预测与邻近道路相关的拥堵情况，并提供易于使用的网络界面来可视化交通状况，性能评估结果表明，RegTraffic 可以有效地预测交通拥堵。

    Nov, 2022

  • Dragtraffic: 一个面向非专家的交互式和基于点的可控交通场景生成框架

    通过基于条件扩散的广义、基于点的可控交通场景生成框架 Dragtraffic，使用回归模型提供初始解决方案，并通过条件扩散模型的细化过程来确保多样性，引入用户自定义上下文以确保高可控性，实验证明 Dragtraffic 在真实驾驶数据集上的真实性、多样性和自由度方面优于现有方法。

    Apr, 2024

  • 条件引导扩散控制交通仿真

    本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

    Oct, 2022