교통 미세 시뮬레이터(Traffic microsimulators)는 집계된 흐름(aggregate flow)은 재현하지만, 신호 교차로에서 차량 간의 이질적인 상호작용(heterogeneous interactions)을 놓치는 수작업 기반의 행동 모델(hand-crafted behavior models)에 의존합니다. 학습된 궤적 예측기(Learned trajectory predictors)는 더 풍부한 상호작용을 포착하지만, 예측 범위가 짧고 폐쇄 루프(closed loop) 환경에서 실행될 때 불안정해지는 경향이 있습니다. 우리는 폐쇄 루프 교차로 미세 시뮬레이션을 위한 에이전트 중심(actor-centric) 생성 모델인 Enactor를 제시합니다. 이 모델은 차량에 집중하며, 보행자는 차량의 결정에 영향을 줄 수 있는 컨텍스트(context)로 포함되지만 예측 대상은 아닙니다. 동적 에이전트(Dynamic actors)와 차선 폴리라인(lane polylines)은 교차로 중심을 기준으로 하는 극좌표(polar coordinates)로 인코딩됩니다. 별도의 공간 및 시간 어텐션 블록(spatial and temporal attention blocks)을 가진 트랜스포머(Transformer)가 각 에이전트의 다음 단계 움직임($s$, $α$)에 대한 분포를 예측합니다. 학습에는 모델이 자신의 예측에 노출되도록 폐쇄 루프 커리큘럼(closed-loop curriculum)을 사용합니다. 우리는 두 가지 환경에서 Enactor를 평가합니다. 두 가지 교차로 기하학 구조에서의 4000초 시뮬레이션 인 더 루프(simulation-in-the-loop) 테스트에서, Enactor는 학습된 궤적 예측기가 통상적으로 평가받는 고정된 집단(fixed cohort)이 아니라, 지속적으로 갱신되는 에이전트 세트에 맞서 모든 동적 차량을 제어합니다. Enactor는 SUMO 데이터 생성기의 속도 및 주행 시간 분포를 복원하며, 주행 시간에 대한 최근 트랜스포머 베이스라인(transformer baseline)보다 10배 이상 낮은 KL 발산(KL divergence)을 보였고, 속도에 대해서는 실질적으로 더 낮았으며(Site 1에서 약 5배 낮음), 동일한 베이스라인 대비 적색 신호 위반을 10배 이상 줄였습니다. 절제 연구(Ablation)를 통해 선행 차량의 후방 범퍼(leader rear-bumper) 특징이 교차로 인지 안전 지표(intersection-aware safety metrics)에 가장 큰 영향을 미치는 변화임을 확인했습니다. 또한 우리는 실제 현장 데이터에서도 평가를 수행하였으며, 신호 교차로의 어안 카메라(fish-eye camera)에서 얻은 자연스러운 차량 궤적에 동일한 아키텍처를 적용하여 다중 지평 예측(multi-horizon predictive) 작업에 대해 평가했습니다. Enactor는 평가된 모든 지평(horizon)에서 등속도(constant-velocity) 베이스라인보다 우수한 성능을 보였습니다.