RLFTSim: Realistic and Controllable Multi-Agent Traffic Simulation via Reinforcement Learning Fine-Tuning

작성자

Haebom

카테고리

Empty

저자

Ehsan Ahmadi, Hunter Schofield, Behzad Khamidehi, Fazel Arasteh, Jinjun Shan, Lili Mou, Dongfeng Bai, Kasra Rezaee

💡 개요

기존의 지도 학습 기반 교통 시뮬레이션은 복잡한 실제 주행 환경의 동적이고 다중 에이전트 상호작용을 포착하는 데 한계가 있습니다. 본 연구는 강화학습 기반 미세조정 프레임워크인 RLFTSim을 제안하여, 시뮬레이션 결과를 실제 데이터 분포에 맞추고 목표 조건부 제어 기능을 학습함으로써 시나리오 현실성을 향상시킵니다. Waymo Open Motion Dataset에 대한 실험 결과, RLFTSim은 현실성 측면에서 최첨단 성능을 달성하며, 적은 샘플로도 뛰어난 효율성을 보입니다.

🔑 시사점 및 한계

•

강화학습 기반 미세조정을 통해 실제 데이터 분포와의 정렬을 강화하여 교통 시뮬레이션의 현실성을 크게 향상시켰습니다.

•

목표 조건부 제어를 효과적으로 학습하여 원하는 교통 시나리오를 생성하는 데 유용하게 활용될 수 있습니다.

•

제안된 낮은 분산과 밀집된 보상 신호는 기존 탐색 기반 미세조정 방식 대비 샘플 효율성을 크게 높입니다.

•

향후 연구에서는 더 복잡하고 다양한 교통 시나리오에 대한 RLFTSim의 적용 가능성을 탐색하고, 실제 운전 환경에서의 안전성과 예측 정확도를 더욱 높이는 방향으로 발전시킬 수 있을 것입니다.

PDF 보기

Made with Slashpage