Data-driven Traffic Simulation: A Comprehensive Review

要約

自動運転車（AV）は、安全で効率的な移動手段を提供することで、社会に大きな変革をもたらす可能性を秘めています。
近年、自動運転の認識と予測は顕著な進歩を遂げていますが、AV の性能を検証するという課題はほとんど未解決のままです。
データ駆動型の微細な交通シミュレーションは、1) 忠実度の高い交通データが利用できるため、自動運転テストの重要なツールとなっています。
2) 大規模なテストとシナリオの再現性が可能になるという利点。
3) リアクティブかつ現実的な交通シミュレーションにおける可能性。
ただし、このトピックに関する包括的なレビューは現時点では不足しています。
この論文は、関連する研究を要約することによって、このギャップを埋めることを目的としています。
この論文の主な目的は、現在の研究努力をレビューし、この分野の将来の発展に役立つ未来的な展望を提供することです。
データ駆動型交通シミュレーションの一般的な問題を紹介し、主要な概念と用語の概要を説明します。
交通シミュレーションを概観した後、一般的に使用されるさまざまなデータセットと評価指標を確認します。
次に、模倣学習、強化学習、生成学習、深層学習の手法を総合的に評価し、それぞれを要約し、長所と短所を詳細に分析します。
さらに、最先端の課題、既存の課題、将来の研究の方向性を評価します。

要約(オリジナル)

Autonomous vehicles (AVs) have the potential to significantly revolutionize society by providing a secure and efficient mode of transportation. Recent years have witnessed notable advance-ments in autonomous driving perception and prediction, but the challenge of validating the performance of AVs remains largely unresolved. Data-driven microscopic traffic simulation has be-come an important tool for autonomous driving testing due to 1) availability of high-fidelity traffic data; 2) its advantages of ena-bling large-scale testing and scenario reproducibility; and 3) its potential in reactive and realistic traffic simulation. However, a comprehensive review of this topic is currently lacking. This pa-per aims to fill this gap by summarizing relevant studies. The primary objective of this paper is to review current research ef-forts and provide a futuristic perspective that will benefit future developments in the field. It introduces the general issues of data-driven traffic simulation and outlines key concepts and terms. After overviewing traffic simulation, various datasets and evalua-tion metrics commonly used are reviewed. The paper then offers a comprehensive evaluation of imitation learning, reinforcement learning, generative and deep learning methods, summarizing each and analyzing their advantages and disadvantages in detail. Moreover, it evaluates the state-of-the-art, existing challenges, and future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google