sumo
PulseAugur coverage of sumo — every cluster mentioning sumo across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新AI代理SimSkill通过终身学习掌握交通模拟
研究人员开发了SimSkill，这是一种新颖的AI代理，旨在自主掌握交通模拟。SimSkill通过识别自身的知识差距，在城市交通模拟（SUMO）环境中创建和解决任务，并将这些经验整合到各种形式的记忆中，而不改变其核心模型。这种方法使SimSkill能够构建可重用的交通模拟能力库，在不同的骨干LLM上，已验证的任务完成率提高了多达25个百分点。
-
LLM增强的交通控制系统SIGMA可减少延误
研究人员开发了SIGMA，一个新颖的强化学习框架，用于交通信号控制，该框架包含一个大型语言模型（LLM），用于自适应目标调整。该系统可以解释自然语言指令来调整优先级，例如为紧急车辆调整优先级，而无需手动进行奖励工程。在城市交叉口模拟中，SIGMA在减少等待时间和排队长度、同时提高吞吐量方面取得了显著的改进。
-
新AI框架利用物理学改进混合交通控制
研究人员开发了一个新的混合交通控制框架，将网联和自动驾驶汽车（CAVs）的协同控制与一个受物理学启发的模型相结合。该方法旨在通过从局部观测中重建全局交通状态来减少高速公路瓶颈处的拥堵，即使信息不完整。该系统利用一个概率集成世界模型来学习交通动态和奖励，并结合基于物理学的监督来提高准确性并预测系统奖励。在模拟环境中的实验表明，这种受物理学启发的模型增强了状态重建和世界模型预测。
-
研究发现：恶意流量模式严重降低 VANET 通信性能
本文使用 Veins 模拟框架，研究了恶意流量模式如何破坏车载自组织网络 (VANET)。研究人员在各种交通条件下模拟了消息泛洪和虚假信息传播等攻击。研究发现，这些对抗性策略可将数据包递送率最高降低 96.55%，并将网络吞吐量降低近 28%，凸显了当前 VANET 设计中存在的严重安全漏洞。
-
New MINT-V2X dataset integrates vehicle mobility and network data
研究人员推出 MINT-V2X，一个旨在通过整合移动性和无线网络参数来弥合车联网（V2X）通信研究差距的新数据集。该综合数据集是通过结合 SUMO 的交通模拟和 OMNeT++/Simu5G 的网络模拟生成的，符合 3GPP Release 14 和 ETSI 标准。MINT-V2X 包含来自 1,386 辆汽车的超过 987 万个同步数据点，提供了真实的城市交通场景。通过路侧单元负载预测的案例研究证明了该数据集的实用性，显示出在纳入…
-
AI驱动的GNN优化城市V2X中继选择
研究人员开发了一个新的框架，使用图神经网络（GNN）来改进城市环境中NR-V2X通信的实时中继选择。该方法将车辆通信状态建模为属性图，与传统的混合整数线性规划（MILP）相比，能够更快地做出决策。实验表明，基于GNN的方法在连接性方面可与MILP相媲美，同时显著缩短了执行时间，使其适用于智慧城市的规模化、实时NR-V2X运行。
-
扩散模型规划无信号交叉口的交通
研究人员开发了DSIP，一个新颖的自主体运动规划框架，它利用生成式扩散过程来管理无信号交叉口的交通。这种方法将传统的定时交通信号灯转变为多辆车的连续轨迹优化。使用SUMO平台进行的评估表明，DSIP显著减少了平均延误并提高了平均速度，尤其是在中高交通密度下，其性能优于固定时间信号灯和现有的强化学习控制器。
-
SUMO框架统一了视觉对象跟踪和运动分割
研究人员推出SUMO，一个旨在统一视觉对象跟踪（VOT）和运动对象分割（MOS）的新框架。该系统无需训练、零样本，将非线性动力学与基于视觉的分割相结合，以处理复杂的非线性对象运动，而这些运动常常挑战现有方法。SUMO利用受机器人学启发的非线性状态空间模型（SSM）和选择性无迹滤波器（SUF）进行精确状态估计，在VOT和MOS任务上均展示了最先进的性能。
-
新研究重新审视复杂强化学习空间中的动作分解 · 跟踪到2个来源
一篇新的研究论文探讨了在强化学习中处理复杂动作空间的方法，特别是那些结合了离散动作和连续动作的动作空间。该研究分析了不同算法和环境中的各种分解技术，并引入了两个新的并行环境 CoopPush 和 Hybrid-Shoot 来促进这项研究。研究结果表明，分支对决架构在计算和性能之间取得了良好的平衡，而自回归动作（Auto-Regressive actions）取得了最高的整体性能，尽管原生连续 SAC 尽管计算成本更高，但表现更优。
-
新的生成模型Enactor改进了交通交叉口仿真
研究人员开发了Enactor，这是一种新颖的生成模型，用于信号交叉口的闭环微观仿真。与使用手工制作模型的传统模拟器不同，Enactor采用以Actor为中心的Transformer架构来预测车辆运动，捕捉更细微的交互。该模型使用闭环课程进行训练，在恢复速度和旅行时间的SUMO数据分布方面表现出优越的性能，与现有的Transformer基线相比，显著减少了闯红灯违规行为。
-
新框架验证了学习到的多智能体通信策略的安全性
研究人员开发了一个新颖的框架，用于形式化验证多智能体强化学习（MARL）系统中学习到的通信策略的安全性。该方法将复杂的神经网络策略提炼成可解释的决策树，然后使用PRISM等概率模型检查器对其进行严格验证。该框架已成功证明了多无人机协调的安全属性，并且验证的属性可以转移到原始神经网络上。
-
主动推理控制器优化挑战性环境下的交通信号
研究人员开发了一种用于嘈杂且不可预测的物联网环境交通信号管理的主动推理控制器。该控制器通过最小化预期的自由能来动态选择信号相位，提供可追溯的决策过程。在交通模拟器中进行基准测试，在噪声和非平稳性增加的情况下，主动推理控制器在空闲时间和二氧化碳排放量方面优于基于规则的启发式方法和深度 Q 网络 (DQN)。
-
新的介观交通模型改进了SUMO的拥堵模拟
研究人员发现了城市交通模拟（SUMO）软件中使用的介观交通流模型的局限性。该现有模型基于Eissfeldt 2004年的工作，不完全遵循Lighthill-Whitham-Richards (LWR) 模型原则，导致拥堵动态不准确以及对拥堵程度的低估。为解决这些问题，提出了一种新的链路传输模型的离散时间实现方法，该方法能更准确地捕捉队列溢出回溯现象，并与运动波理论和微观SUMO模拟保持一致。
-
遗传算法从稀疏数据校准城市交通模拟
研究人员开发了一种新的基于遗传算法的框架来改进城市交通模拟。该方法使用稀疏的道路观测数据来校准模拟，无需详细的就业分布数据。该方法使用 SUMO 平台在北卡罗来纳州格林斯伯勒进行了测试，并证明与现实世界交通测量结果具有准确的相关性。
-
新的奖励函数改善交通信号控制以降低排放
研究人员为自适应交通信号控制系统开发了一种新的基于动量的奖励函数（MBRF）。这种新颖的方法旨在通过鼓励车辆持续行驶来改善城市交通流量并减少排放，而不是仅仅惩罚拥堵。在SUMO仿真环境中的评估表明，与传统的基于延迟或排队的奖励以及经典控制方法相比，MBRF在吞吐量和排放量之间取得了更好的权衡，并且学习行为更稳定。
-
多智能体LLM框架提升交通模拟准确性
研究人员开发了一种新的多智能体框架，用于在SUMO中生成交通模拟，解决了单一智能体架构的局限性。该框架将模拟过程解耦为规划者、构建者和分析师等专业角色，由中央推理引擎协调。它利用具有模型上下文协议（MCP）的状态持久化协调器来管理数据流并确保一致性，从而实现用于优化关键绩效指标（KPI）的闭环优化过程。实验表明，与单一智能体系统相比，这种多智能体方法提高了任务成功率和参数准确性。
-
智能停车系统利用动态缓冲区和声誉提高可靠性
研究人员开发了一种新颖的双机制架构，以提高智能停车预订系统的可靠性。该系统包含一个非预订车位的动态缓冲区，以确保停车位的可用性，以及一个基于声誉的奖励系统，该系统使用星级指标来激励准时离开。使用SUMO城市模拟器的模拟表明，这种方法有效地减少了预留车位被先前用户占用的情况，并提高了城市环境中整体资源的利用率。
-
UCATSC模型通过不确定性感知改进交通信号控制
研究人员开发了UCATSC，一种用于视觉感知交通信号控制的新型决策层，解决了不完全可观测性问题。该系统维护交通状况的信念状态，并使用反事实回滚来评估潜在的相位动作。UCATSC纳入了安全和服务年龄约束来过滤动作，在模拟中展示了具有竞争力的移动性能并消除了两难区域违规。
-
AI系统PALCAS利用联邦强化学习改进自动驾驶汽车变道
研究人员开发了PALCAS，这是一个用于自动驾驶汽车的新系统，它利用联邦强化学习来辅助变道。与之前的系统不同，PALCAS根据车辆到达目的地的紧急程度来优先考虑变道。该系统采用了一种新颖的奖励函数，以确保在各种驾驶场景下做出安全明智的决策，并利用参数化深度Q网络来实现代理协作。模拟表明，PALCAS提高了交通效率、安全性和到达率。
-
大语言模型通过LSTM预测和安全过滤器增强交通信号控制
研究人员开发了一个新的交通信号控制框架，该框架利用大语言模型（LLMs）结合基于LSTM的交通状态预测。该系统预测交通状况，并利用LLMs推理潜在的信号动作，提供建议和解释。安全过滤器确保所有LLM生成的动作都遵守操作约束，在不违反安全规则的情况下，展示了在动态条件下交通效率的提高。