論文の概要: Stochastic Trajectory Prediction under Unstructured Constraints

• arxiv url: http://arxiv.org/abs/2503.14203v1
• Date: Tue, 18 Mar 2025 12:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:57.697993
• Title: Stochastic Trajectory Prediction under Unstructured Constraints
• Title（参考訳）: 非構造制約下における確率軌道予測
• Authors: Hao Ma, Zhiqiang Pu, Shijie Wang, Boyin Liu, Huimu Wang, Yanyan Liang, Jianqiang Yi,
• Abstract要約: 軌道予測は効果的な計画と意思決定を促進する一方、制約付き軌道予測は規制を予測に統合する。 制御可能軌道拡散(CTD)という条件付き生成パラダイムを用いた制約付き軌道予測の新しい手法を提案する。 CTDは、事前訓練されたスコアリングモデルを用いて適合度を予測し、このスコアを条件付き拡散モデルの条件として用いて軌道を生成する。
• 参考スコア（独自算出の注目度）: 22.68585284588241
• License:
• Abstract: Trajectory prediction facilitates effective planning and decision-making, while constrained trajectory prediction integrates regulation into prediction. Recent advances in constrained trajectory prediction focus on structured constraints by constructing optimization objectives. However, handling unstructured constraints is challenging due to the lack of differentiable formal definitions. To address this, we propose a novel method for constrained trajectory prediction using a conditional generative paradigm, named Controllable Trajectory Diffusion (CTD). The key idea is that any trajectory corresponds to a degree of conformity to a constraint. By quantifying this degree and treating it as a condition, a model can implicitly learn to predict trajectories under unstructured constraints. CTD employs a pre-trained scoring model to predict the degree of conformity (i.e., a score), and uses this score as a condition for a conditional diffusion model to generate trajectories. Experimental results demonstrate that CTD achieves high accuracy on the ETH/UCY and SDD benchmarks. Qualitative analysis confirms that CTD ensures adherence to unstructured constraints and can predict trajectories that satisfy combinatorial constraints.
• Abstract（参考訳）: 軌道予測は効果的な計画と意思決定を促進する一方、制約付き軌道予測は規制を予測に統合する。 制約軌道予測の最近の進歩は、最適化目標の構築による構造化制約に焦点を当てている。 しかし、非構造的制約の扱いは、微分可能な形式的定義が欠如しているため困難である。 そこで本研究では,制御可能軌道拡散(CTD)という条件付き生成パラダイムを用いた制約付き軌道予測手法を提案する。 鍵となる考え方は、任意の軌道は制約への適合度に対応することである。 この度合いを定量化し、それを条件として扱うことで、モデルは非構造的制約の下で軌道を予測することを暗黙的に学ぶことができる。 CTDは、事前訓練されたスコアモデルを用いて、適合度(すなわちスコア)を予測し、このスコアを条件付き拡散モデルの条件として、軌跡を生成する。 実験の結果,CTDはETH/UCYおよびSDDベンチマークで高い精度を達成できた。 定性的分析は、CTDが非構造的制約に固執することを保証し、組合せ的制約を満たす軌道を予測できることを確認した。

関連論文リスト

• Diffusion Predictive Control with Constraints [51.91057765703533]
  制約付き拡散予測制御(DPCC) トレーニングデータから逸脱可能な、明示的な状態と行動制約を持つ拡散制御アルゴリズム。 DPCCは,学習した制御タスクの性能を維持しつつ,新しいテスト時間制約を満たす上で,既存の手法よりも優れるロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
  軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。 本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
  論文  参考訳（メタデータ） (2024-06-17T21:25:36Z)
• Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models [11.308331231957588]
  本研究は, 拡散モデルを用いた高速道路軌道予測のための新しいネットワークアーキテクチャである, 条件付き車両運動拡散(cVMD)モデルを紹介する。 cVMDのアーキテクチャの中心は、安全クリティカルなアプリケーションにおいて重要な機能である不確実な定量化を実行する能力である。 実験により,提案アーキテクチャは最先端モデルと比較して,競合軌道予測精度が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:01:39Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions [3.6750425865066925]
  本研究は,制御された物理インフォームドデータ生成手法と深層学習に基づく予後予測モデルを組み合わせたものである。 新たに制御された物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発し, 合成劣化軌道を生成する。 生成された軌道はRUL予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-04-23T17:34:26Z)
• RESET: Revisiting Trajectory Sets for Conditional Behavior Prediction [12.945951957551317]
  本稿では、トラジェクトリセット生成のための新しいメトリック駆動アルゴリズムとグラフベースのエンコーダを組み合わせたRESETを提案する。 非条件予測では、RESETは回帰ベースのアプローチと同等のパフォーマンスを達成する。 条件付き予測では、RESETは計画された軌道の遅い融合によって合理的な結果を得る。
  論文  参考訳（メタデータ） (2023-04-12T13:39:09Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Loss-Controlling Calibration for Predictive Models [5.51361762392299]
  交換可能なデータに対する損失制御予測を行うための予測モデルの校正のための学習フレームワークを提案する。 対照的に、損失制御手法によって構築された予測器は、設定された予測器に限らない。 提案手法は,選択的回帰および高影響気象予報問題に適用する。
  論文  参考訳（メタデータ） (2023-01-11T09:44:55Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。