LASIL：面向长期细粒度交通仿真的学习者感知监督模仿学习
人工智能
2024-05-24 v3 机器学习
摘要
细粒度交通仿真在交通工程中发挥着关键作用，通过提供关于个体车辆行为和整体交通流量的洞察。然而，创建能够在各种交通条件下准确复制人类驾驶行为的真实仿真器， presents significant challenges。传统基于启发式模型的仿真器由于真实世界交通环境的复杂性，往往无法提供准确的仿真。由于存在协变量漂移问题，现有的基于模仿学习的仿真器常常无法生成稳定的长期仿真。本文提出了一种名为学习者感知监督模仿学习的新方法，以解决多智能体模仿学习中的协变量漂移问题。通过利用变分自编码器同时建模专家和学习者状态分布，我们的方法增强了专家状态，使得增强后的状态能够感知学习者状态分布。我们的方法应用于城市交通仿真，在在真实世界数据集pNEUMA上评估后，在短期细粒度和长期宏观真实性方面均显著优于现有最先进的基线方法。
引用
@article{arxiv.2403.17601,
title = {LASIL: Learner-Aware Supervised Imitation Learning For Long-term Microscopic Traffic Simulation},
author = {Ke Guo and Zhenwei Miao and Wei Jing and Weiwei Liu and Weizi Li and Dayang Hao and Jia Pan},
journal= {arXiv preprint arXiv:2403.17601},
year = {2024}
}
备注
Accepted by CVPR 2024. arXiv admin note: text overlap with arXiv:2306.06401