Enactor：从交通模拟器到代理导向的生成式世界模型
机器学习
2026-03-20 v1 人工智能
摘要
交通微型模拟器广泛用于评估不同“假设情景”下道路网络的性能。然而，控制行动者行为的模型过于简单，无法捕捉真实的行动者-行动者相互作用。基于深度学习的方法已被应用于将车辆和行人建模为响应其周围“环境”（包括车道、信号灯和相邻行动者）的“代理”。虽然在学习行动者-行动者相互作用方面有效，但这些方法在长时间段内生成物理一致的轨迹方面失败，且未明确解决交通交叉口上复杂动态，这是城市网络中的关键位置。灵感来自世界模型范式，我们开发了使用基于Transformer架构的以代理为中心的生成模型，既能捕捉行动者-行动者相互作用，又能理解交通交叉口的几何结构，从而生成基于所学行为的物理依托轨迹。此外，我们在活的“仿真-在环”环境中测试了该模型，其中我们使用SUMO生成行动者的初始条件，然后让模型控制行动者的动力学。我们让仿真运行40000个时间步（4000秒），测试模型在长时间范围内的性能，并基于交通工程相关指标评估轨迹。实验结果表明，所提出的框架有效捕捉了复杂的行动者-行动者相互作用，生成长期、物理一致的轨迹，同时所需的训练样本显著少于传统以代理为中心的生成方法。我们的模型在与基线相关的交通指标以及综合指标上均表现出色，其中在KL散度上超越基线超过10倍。
引用
@article{arxiv.2603.18266,
title = {Enactor: From Traffic Simulators to Surrogate World Models},
author = {Yash Ranjan and Rahul Sengupta and Anand Rangarajan and Sanjay Ranka},
journal= {arXiv preprint arXiv:2603.18266},
year = {2026}
}