Core Concepts
交通参加者の動きを離散的なトークンシーケンスとしてモデル化し、自動回帰的に予測することで、リアルな交通シミュレーションを実現する。
Abstract
本研究では、交通参加者(車両、歩行者、自転車)の動きをトークン化し、自動回帰的な変換器ベースのモデルを用いてシミュレーションする手法Trajeglishを提案している。
主な特徴は以下の通り:
参加者間の相互作用を考慮したトークン化手法「k-disks」を開発し、小さな語彙サイズでも高精度な離散化を実現
変換器ベースのアーキテクチャにより、参加者間の相互作用を考慮しつつ、オートリグレッシブに動きを予測
Waymo Open Motion Datasetを用いた評価では、従来手法を上回る性能を発揮し、特に参加者間の相互作用をよりよくモデル化できていることが確認された
モデルの表現能力や密度推定の分析から、長期の文脈情報と参加者間の同時刻相互作用が交通シミュレーションに重要であることが示唆された
Stats
車両の平均位置誤差(ADE)は1.872m
歩行者の平均位置誤差(ADE)は1.872m
自転車の平均位置誤差(ADE)は1.872m
Quotes
"交通参加者の動きを離散的なトークンシーケンスとしてモデル化し、自動回帰的に予測することで、リアルな交通シミュレーションを実現する。"
"参加者間の相互作用を考慮したトークン化手法「k-disks」を開発し、小さな語彙サイズでも高精度な離散化を実現"
"変換器ベースのアーキテクチャにより、参加者間の相互作用を考慮しつつ、オートリグレッシブに動きを予測"