Mar, 2024

LitSim：长期交互式交通模拟的冲突感知策略

PDF
TL;DRLitSim 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。
simulationautonomous driving systemsmulti-agent behaviorrealistic collisionslitsim
发现论文，激发创造
  • 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

  • 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

  • 基于 LLM 的仿真到现实交通信号控制迁移

    利用大型语言模型（LLMs）通过基于提示的动作转换理解和建模系统动力学，以解决交通信号控制（TSC）任务中从模拟到实际应用的性能差距问题。

    Aug, 2023

  • DialSim：一个用于评估对话代理的长期对话理解能力的实时模拟器

    通过引入实时对话模拟器 DialSim，可以对最新的对话代理进行评估并分析它们的局限性，为未来的对话人工智能领域的改进提供有价值的见解。

    Jun, 2024

  • CtRL-Sim: 反应性和可控驾驶代理的离线强化学习

    在这项研究中，我们提出了一种名为 CtRL-Sim 的方法，它利用退化条件离线强化学习和物理增强的 Nocturne 模拟器，通过处理真实世界的驾驶数据来有效生成具有反应性和可控性的交通代理。我们展示了 CtRL-Sim 能够高效生成多样且逼真的安全关键场景，并提供对代理行为的精细控制。此外，我们还表明，通过用模型生成的模拟安全关键场景对模型进行微调可以增强这种可控性。

    Mar, 2024

  • 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

  • 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

  • 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

  • 基于大语言模型的对话式生成自动驾驶仿真场景

    本文描述了一个支持扩展多模态交互的系统，通过使用大型语言模型 (LLMs) 将用户的英语语句映射到领域特定的代码，我们探索了 LLMs 在上下文敏感性方面捕捉演算发言者意图的程度。

    Oct, 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