Fugu-MT 論文翻訳(概要): SSTP: Efficient Sample Selection for Trajectory Prediction

論文の概要: SSTP: Efficient Sample Selection for Trajectory Prediction

arxiv url: http://arxiv.org/abs/2409.17385v3
Date: Tue, 30 Sep 2025 03:58:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 17:09:03.840541
Title: SSTP: Efficient Sample Selection for Trajectory Prediction
Title（参考訳）: SSTP:軌道予測のための効率的なサンプル選択
Authors: Ruining Yang, Yi Xu, Yun Fu, Lili Su,
Abstract要約: 既存の大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。本稿では,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。実験の結果、SSTPはデータの半分しか使用せず、フルデータセットのトレーニングに匹敵するパフォーマンスを実現している。
参考スコア（独自算出の注目度）: 38.92588125424176
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory prediction is a core task in autonomous driving. However, training advanced trajectory prediction models on existing large-scale datasets is both time-consuming and computationally expensive. More critically, these datasets are highly imbalanced in scenario density, with normal driving scenes (low-moderate traffic) overwhelmingly dominating the datasets, while high-density and safety-critical cases are underrepresented. As a result, models tend to overfit low/moderate-density scenarios and perform poorly in high-density scenarios. To address these challenges, we propose the SSTP framework, which constructs a compact yet density-balanced dataset tailored to trajectory prediction. SSTP consists of two main stages: (1)Extraction, where a baseline model is pretrained for a few epochs to obtain stable gradient estimates, and the dataset is partitioned by scenario density. (2)Selection, where gradient-based scores and a submodular objective select representative samples within each density category, while biased sampling emphasizes rare high-density interactions to avoid dominance by low-density cases. This approach significantly reduces the dataset size and mitigates scenario imbalance, without sacrificing prediction accuracy. Experiments on the Argoverse 1 and Argoverse 2 datasets with recent state-of-the-art models show that SSTP achieves comparable performance to full-dataset training using only half the data while delivering substantial improvements in high-density traffic scenes and significantly reducing training time. Robust trajectory prediction depends not only on data scale but also on balancing scene density to ensure reliable performance under complex multi agent interactions.
Abstract（参考訳）: 軌道予測は自動運転における中核的な課題である。しかし、既存の大規模データセット上での高度な軌道予測モデルのトレーニングには、時間と計算コストの両方がかかる。さらに重要なのは、これらのデータセットはシナリオ密度において非常に不均衡であり、通常の運転シーン(低モデレートトラフィック)がデータセットを圧倒的に支配し、高密度かつ安全クリティカルなケースが不足していることだ。その結果、モデルは低/モデレート密度のシナリオを過度に適合させ、高密度のシナリオでは性能が悪くなる傾向にある。これらの課題に対処するために,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。 SSTPは次の2つの主要な段階から構成される: (1)抽出: 基準モデルがいくつかのエポックに対して事前訓練され、安定した勾配推定が得られ、データセットはシナリオ密度によって分割される。 2) 勾配に基づくスコアと準モジュラー対象が各密度カテゴリ内の代表サンプルを選択する場合, バイアスサンプリングでは, 低密度ケースによる優位性を回避するために, 稀な高密度相互作用が強調される。このアプローチは、予測精度を犠牲にすることなく、データセットのサイズを大幅に削減し、シナリオの不均衡を軽減する。 Argoverse 1とArgoverse 2データセットと最近の最先端モデルによる実験によると、SSTPは、半分のデータだけでフルデータセットのトレーニングに匹敵するパフォーマンスを達成し、高密度のトラフィックシーンを大幅に改善し、トレーニング時間を大幅に短縮する。ロバスト軌道予測は、データスケールだけでなく、複雑なマルチエージェント相互作用下での信頼性を保証するためにシーン密度のバランスにも依存する。

関連論文リスト

Improving Consistency in Vehicle Trajectory Prediction Through Preference Optimization [4.506411269983418]
軌道予測は、自動運転車のパイプラインにおいて不可欠なステップである。現在のディープラーニングベースの軌道予測モデルは、公開データセット上で優れた精度を達成することができる。選好最適化を用いたマルチエージェント設定における微調整軌道予測モデルを提案する。
論文参考訳（メタデータ） (2025-07-03T07:59:49Z)
Towards Predicting Any Human Trajectory In Context [10.332817296500533]
歩行者軌道予測のためのインコンテキスト学習フレームワークであるTrajICLを紹介する。 TrajICLはシナリオ固有のデータを微調整することなく、迅速な適応を可能にする。我々は、予測能力を高めるために、大規模な合成データセットでモデルをトレーニングする。
論文参考訳（メタデータ） (2025-06-01T07:18:47Z)
Can Pre-training Indicators Reliably Predict Fine-tuning Outcomes of LLMs? [32.04523360747506]
本研究では,501BパラメータLLM変種を用いて,系統的な事前学習構成を持つデータセットを構築した。本稿では,事前学習から得られた新しい教師なしおよび教師なしのプロキシメトリクスを導入し,相対的な性能予測誤差率を50%以上削減する。
論文参考訳（メタデータ） (2025-04-16T21:19:09Z)
Critical Example Mining for Vehicle Trajectory Prediction using Flow-based Generative Models [10.40439055916036]
本稿では,トラジェクトリの希少性を推定するデータ駆動手法を提案する。観測の希少度を全軌跡と組み合わせることで,予測が比較的難しいデータのサブセットを効果的に同定する。
論文参考訳（メタデータ） (2024-10-21T15:02:30Z)
A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-15T03:00:58Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
TrACT: A Training Dynamics Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [7.3292387742640415]
本稿では,よりリッチなトレーニングダイナミックス情報を,原型的コントラスト学習フレームワークに組み込むことを提案する。我々は,2つの大規模自然主義データセットを用いたアプローチの実証評価を行った。
論文参考訳（メタデータ） (2024-04-18T23:12:46Z)
A Closer Look at the Few-Shot Adaptation of Large Vision-Language Models [19.17722702457403]
現状のArtETLアプローチは、狭義の実験的な設定でのみ強力な性能を示すことを示す。一般化されたラグランジアン法を適応させることにより,バランス項を最適化したCLAP(CLass-Adaptive linear Probe)の目的を提案する。
論文参考訳（メタデータ） (2023-12-20T02:58:25Z)
Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data? [0.8002196839441036]
本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
論文参考訳（メタデータ） (2023-10-31T11:23:10Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文参考訳（メタデータ） (2023-07-26T16:19:19Z)
Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文参考訳（メタデータ） (2023-07-19T04:07:33Z)
Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
論文参考訳（メタデータ） (2022-07-11T21:17:41Z)
Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction [6.804209932400134]
本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
論文参考訳（メタデータ） (2021-03-30T06:22:40Z)
Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文参考訳（メタデータ） (2021-03-08T16:03:09Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)
Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文参考訳（メタデータ） (2020-04-23T08:30:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。