基于稀疏轨迹数据的仿真学习
机器学习
2021-03-24 v1 人工智能
摘要
真实世界交通的仿真可用于辅助验证交通政策。良好的仿真器意味着模拟交通与真实世界交通相似，这通常需要密集的交通轨迹（即高采样率）以覆盖真实世界中的动态情形。然而在大多数情况下，真实世界轨迹是稀疏的，这使得仿真颇具挑战。本文提出一种新颖框架ImInGAIL，以解决从稀疏真实世界数据学习驾驶行为仿真的问题。所提架构将数据的插值处理与模仿学习的行为学习过程相结合。据我们所知，我们首次处理了行为学习问题的数据稀疏性难题。我们在合成与真实的驾驶车辆轨迹数据集上验证了框架，表明该方法优于各类基线及最先进方法。
引用
@article{arxiv.2103.11845,
title = {Learning to Simulate on Sparse Trajectory Data},
author = {Hua Wei and Chacha Chen and Chang Liu and Guanjie Zheng and Zhenhui Li},
journal= {arXiv preprint arXiv:2103.11845},
year = {2021}
}
备注
Accepted by ECML-PKDD 2020, Best Applied Data Science Paper. 16 pages, 6 figures