Long-term Microscopic Traffic Simulation with History-Masked Multi-agent Imitation Learning

要約

微細な変化が大規模な交通パターンにどのような影響を与えるかを理解するには、現実的な長期にわたる微細な交通シミュレータが必要です。
ヒューリスティック ルールを使用して人間の運転行動をモデル化する従来のシミュレーターは、現実世界の交通の複雑さのため、正確なシミュレーションを達成できないことがよくあります。
この課題を克服するために、研究者らは、人間のドライバーのデモンストレーションからの模倣学習を通じてトレーニングされるニューラル ネットワークに注目しました。
しかし、既存の学習ベースの顕微鏡シミュレーターは、\textit{共変量シフト}の問題により、安定した長期シミュレーションを生成できないことがよくあります。
これに対処するために、我々は、すべての車両の履歴軌跡情報を除去し、学習中に車両の現在位置に摂動を適用する、履歴マスクされたマルチエージェント模倣学習方法を提案します。
私たちは、特に都市交通シミュレーション問題にアプローチを適用し、それを現実世界の大規模 pNEUMA データセットで評価し、最先端のデータよりも優れた短期的および長期的巨視的類似性を現実世界のデータと達成します。
ベースライン。

要約(オリジナル)

A realistic long-term microscopic traffic simulator is necessary for understanding how microscopic changes affect traffic patterns at a larger scale. Traditional simulators that model human driving behavior with heuristic rules often fail to achieve accurate simulations due to real-world traffic complexity. To overcome this challenge, researchers have turned to neural networks, which are trained through imitation learning from human driver demonstrations. However, existing learning-based microscopic simulators often fail to generate stable long-term simulations due to the \textit{covariate shift} issue. To address this, we propose a history-masked multi-agent imitation learning method that removes all vehicles’ historical trajectory information and applies perturbation to their current positions during learning. We apply our approach specifically to the urban traffic simulation problem and evaluate it on the real-world large-scale pNEUMA dataset, achieving better short-term microscopic and long-term macroscopic similarity to real-world data than state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google