論文の概要: Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving
- arxiv url: http://arxiv.org/abs/2505.06740v1
- Date: Sat, 10 May 2025 19:21:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.016513
- Title: Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving
- Title（参考訳）: 道路認識と物理的に可能な自律運転のための境界誘導軌道予測
- Authors: Ahmed Abouelazm, Mianzhi Liu, Christian Hubschneider, Yin Wu, Daniel Slieter, J. Marius Zöllner,
- Abstract要約: 本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。
エージェントの現在の状態とHDマップを用いて、有効な境界を定義し、ネットワークを訓練して、左右の境界ポリライン間の重畳された経路を学習することで、道路上の予測を確実にする。
我々は,HPTRベースラインに対するArgoverse-2データセットのアプローチを評価する。本手法はHPTRと比較してベンチマーク指標がわずかに低下するが,最終的な変位誤差が改善し,実現不可能な軌跡を排除している。
- 参考スコア（独自算出の注目度）: 11.436186697804835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of surrounding road users' trajectories is essential for safe and efficient autonomous driving. While deep learning models have improved performance, challenges remain in preventing off-road predictions and ensuring kinematic feasibility. Existing methods incorporate road-awareness modules and enforce kinematic constraints but lack plausibility guarantees and often introduce trade-offs in complexity and flexibility. This paper proposes a novel framework that formulates trajectory prediction as a constrained regression guided by permissible driving directions and their boundaries. Using the agent's current state and an HD map, our approach defines the valid boundaries and ensures on-road predictions by training the network to learn superimposed paths between left and right boundary polylines. To guarantee feasibility, the model predicts acceleration profiles that determine the vehicle's travel distance along these paths while adhering to kinematic constraints. We evaluate our approach on the Argoverse-2 dataset against the HPTR baseline. Our approach shows a slight decrease in benchmark metrics compared to HPTR but notably improves final displacement error and eliminates infeasible trajectories. Moreover, the proposed approach has superior generalization to less prevalent maneuvers and unseen out-of-distribution scenarios, reducing the off-road rate under adversarial attacks from 66\% to just 1\%. These results highlight the effectiveness of our approach in generating feasible and robust predictions.
- Abstract（参考訳）: 道路利用者の軌道の正確な予測は安全かつ効率的な自動運転に不可欠である。
ディープラーニングモデルのパフォーマンスは向上しているが、オフロード予測の防止とキネマティックな実現性の確保には課題が残っている。
既存の方法は道路認識モジュールを組み込んでキネマティックな制約を強制するが、信頼性の保証が欠如しており、複雑さと柔軟性のトレードオフをしばしば導入する。
本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。
エージェントの現在の状態とHDマップを用いて、有効な境界を定義し、ネットワークを訓練して、左右の境界ポリライン間の重畳された経路を学習することで、道路上の予測を確実にする。
実現可能性を保証するため、モデルは加速度プロファイルを予測し、これらの経路に沿って車両の走行距離を決定するとともに、運動的制約に固執する。
我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
提案手法では,HPTRと比較してベンチマーク指標がわずかに低下するが,最終的な変位誤差が改善し,実現不可能な軌跡を排除している。
さらに, 提案手法は, 敵攻撃時のオフロード速度を66\%から1\%に低減し, より一般的な操作の低減, 流通シナリオの未確認化に優れる。
これらの結果は,本手法が実現可能かつ堅牢な予測を生成する上での有効性を浮き彫りにした。
関連論文リスト
- A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳（メタデータ） (2024-11-29T14:47:08Z) - 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) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。
ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。
我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文 参考訳（メタデータ） (2023-11-10T18:49:53Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Improving Diversity of Multiple Trajectory Prediction based on
Map-adaptive Lane Loss [12.963269946571476]
本研究では,地図適応の多様性を保証し,幾何学的制約を満たす新しい損失関数,textitLane Lossを提案する。
Argoverseデータセットを用いて行った実験により,提案手法は予測軌道の多様性を著しく向上させることが示された。
論文 参考訳（メタデータ） (2022-06-17T09:09:51Z) - Trajectory Prediction in Autonomous Driving with a Lane Heading
Auxiliary Loss [1.1470070927586014]
本稿では,全ての予測モードにおいて予測駆動ルールを強制することにより,軌道予測モデルを強化する損失関数を提案する。
軌道予測への我々の貢献は2倍であり、オフロードレート計量の故障事例に対処する新しい指標を提案する。
次に、この補助損失を用いて、MTP(Multiple trajectory Prediction)モデルとMultiPathモデルを拡張する。
論文 参考訳（メタデータ） (2020-11-12T22:51:25Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。