Sep, 2024

利用人工智能研究代理自动化提升交通模型

HTML
PDF
TL;DR本研究针对传统交通模型开发过程中效率低下与人为错误的问题，提出了交通研究代理(TR-Agent)，这是一个通过迭代闭环过程自动生成和优化交通模型的AI系统。实验结果表明，TR-Agent在多个交通模型中显著提升了性能，并且为其优化过程提供详细解释，有助于研究人员验证和扩展其改进成果。
发现论文，激发创造
  • 关于高速公路交通分布式决策的迁移学习与多智能体学习比较

    研究在MIT深度交通模拟中，针对分布式决策在混合智能交通中的影响，分别采用强化学习和多智能体学习等方法，并根据不同比例的AI驱动交通进行评估，分析了影响交通流的模式。

    Oct, 2018

  • 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

  • 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

  • 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

  • Open-TI：带增强语言模型的开放式交通智能

    Open-TI是一种创新模型，旨在成为图灵不可区分交通智能的目标，能够从头开始进行详尽的交通分析，并且还可以进行任务特定的具体化，如训练和调整交通信号控制策略，探索需求优化等。

    Dec, 2023

  • SLEDGE: 利用生成模型合成驾驶代理的仿真环境

    SLEDGE是第一个使用真实世界驾驶日志训练的用于车辆运动规划的生成模拟器，其核心组件为一个学习模型，能够生成代理边界框和车道图，通过该模型的输出作为交通仿真的初始状态。

    Mar, 2024

  • TrafficGPT：面向多尺度空间-时间代理框架的交通分析与生成

    利用AI代理、多尺度交通数据、语义信息以及可视化，设计了TrafficGPT系统，实现多尺度交通预测和交互性能，通过实验验证其在真实道路数据集上的卓越表现。

    May, 2024

  • BehaviorGPT: 自主驾驶智能代理模拟与下一补丁预测

    提出了BehaviorGPT，一种基于解码器的自回归架构，用于模拟多智能体的顺序运动，并通过Next-Patch Prediction Paradigm (NP3)在Waymo Sim Agents Benchmark的多个指标排名第一。

    May, 2024

  • 基于物理可解释的人工智能非线性车队动力学建模: Koopman方法探索

    本文提出了一种基于人工智能的Koopman方法来模拟未知的非线性车队动力学，以同时保持物理分析性，并通过深度学习框架和线性动力系统分析平台来提高建模精度和解释性。

    Jun, 2024

  • TrafficGamer：用于安全关键场景的可靠和灵活的交通仿真与博弈论预言机

    本研究解决了自主驾驶汽车在安全关键交通场景中难以开发可靠驾驶策略的问题，尤其是由于这类场景在数据集中稀缺所造成的挑战。论文提出了TrafficGamer，一种将普通道路驾驶视为多智能体博弈的仿真工具，通过高保真度模拟和灵活的风险敏感约束配置来生成多种多智能体交通场景，能够有效捕捉安全关键场景的平衡状态。

    Aug, 2024