論文の概要: Autoregressive Meta-Actions for Unified Controllable Trajectory Generation

• arxiv url: http://arxiv.org/abs/2505.23612v1
• Date: Thu, 29 May 2025 16:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.981359
• Title: Autoregressive Meta-Actions for Unified Controllable Trajectory Generation
• Title（参考訳）: 統一制御可能な軌道生成のための自己回帰メタ反応
• Authors: Jianbo Zhao, Taiyu Ban, Xiyang Wang, Qibin Zhou, Hangning Zhou, Zhihao Liu, Mu Yang, Lei Liu, Bin Li,
• Abstract要約: 制御可能な軌道生成は自律運転システムにとって不可欠である。 既存のフレームワークは、固定された将来の時間間隔に割り当てられた不変なメタアクションに依存している。 本稿では,自動回帰メタアクション(Autoregressive Meta-Actions)を紹介する。
• 参考スコア（独自算出の注目度）: 10.123353592943968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controllable trajectory generation guided by high-level semantic decisions, termed meta-actions, is crucial for autonomous driving systems. A significant limitation of existing frameworks is their reliance on invariant meta-actions assigned over fixed future time intervals, causing temporal misalignment with the actual behavior trajectories. This misalignment leads to irrelevant associations between the prescribed meta-actions and the resulting trajectories, disrupting task coherence and limiting model performance. To address this challenge, we introduce Autoregressive Meta-Actions, an approach integrated into autoregressive trajectory generation frameworks that provides a unified and precise definition for meta-action-conditioned trajectory prediction. Specifically, We decompose traditional long-interval meta-actions into frame-level meta-actions, enabling a sequential interplay between autoregressive meta-action prediction and meta-action-conditioned trajectory generation. This decomposition ensures strict alignment between each trajectory segment and its corresponding meta-action, achieving a consistent and unified task formulation across the entire trajectory span and significantly reducing complexity. Moreover, we propose a staged pre-training process to decouple the learning of basic motion dynamics from the integration of high-level decision control, which offers flexibility, stability, and modularity. Experimental results validate our framework's effectiveness, demonstrating improved trajectory adaptivity and responsiveness to dynamic decision-making scenarios. We provide the video document and dataset, which are available at https://arma-traj.github.io/.
• Abstract（参考訳）: メタアクションと呼ばれる高レベルの意味決定によって導かれる制御可能な軌道生成は、自律運転システムにとって不可欠である。 既存のフレームワークの重大な制限は、固定された将来の時間間隔に割り当てられた不変なメタアクションに依存することである。 このミスアライメントは、所定のメタアクションと結果の軌跡との間に無関係な関連性をもたらし、タスクコヒーレンスを乱し、モデル性能を制限します。 この課題に対処するために,メタアクション条件付き軌跡予測の統一的かつ正確な定義を提供する自動回帰的軌跡生成フレームワークに組み込まれたアプローチであるAutoregressive Meta-Actionsを導入する。 具体的には、従来の長期的メタアクションをフレームレベルのメタアクションに分解し、自己回帰的メタアクション予測とメタアクション条件付きトラジェクトリ生成のシーケンシャルな相互作用を可能にする。 この分解により、各トラジェクトリセグメントとその対応するメタアクション間の厳密なアライメントが保証され、トラジェクトリスパン全体にわたって一貫した統一されたタスクの定式化が達成され、複雑さが著しく減少する。 さらに,基本運動力学の学習を,柔軟性,安定性,モジュール性を提供する高レベル意思決定制御の統合から切り離すための事前学習プロセスを提案する。 実験により, 動的意思決定シナリオに対する軌道適応性と応答性の向上を実証し, 本フレームワークの有効性を検証した。 ビデオドキュメントとデータセットはhttps://arma-traj.github.io/で公開しています。

関連論文リスト

• PMG: Progressive Motion Generation via Sparse Anchor Postures Curriculum Learning [5.247557449370603]
  ProMoGenは、軌跡誘導とスパースアンカー動作制御を統合する新しいフレームワークである。 ProMoGenは、統合トレーニングプロセス内で、二重制御パラダイムと単一制御パラダイムの両方をサポートする。 われわれのアプローチはパーソナライズされた動作と構造化されたガイダンスをシームレスに統合し、最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-04-23T13:51:42Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [56.424032454461695]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• DeMo: Decoupling Motion Forecasting into Directional Intentions and Dynamic States [6.856351850183536]
  マルチモーダルなトラジェクトリクエリを2つのタイプに分離するフレームワークであるDeMoを紹介する。 この形式を利用することで、軌道の多モード性と動的進化特性を別々に最適化する。 さらに,グローバルな情報集約と状態シーケンスモデリングのためのアテンションとマンバの併用手法についても紹介する。
  論文  参考訳（メタデータ） (2024-10-08T12:27:49Z)
• Residual Chain Prediction for Autonomous Driving Path Planning [5.139918355140954]
  残留連鎖損失は損失計算過程を動的に調整し、予測経路点の時間依存性と精度を高める。 我々の研究は、自動運転車の計画コンポーネントに革命をもたらすために、Residual Chain Lossの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-04-08T11:43:40Z)
• 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)
• DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction [8.25651323214656]
  時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。 提案手法は,各種メトリクスの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-11T12:41:32Z)
• MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying [110.83590008788745]
  自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。 本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。 最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。 複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-06-30T16:23:04Z)
• An Adaptive Fuzzy Reinforcement Learning Cooperative Approach for the Autonomous Control of Flock Systems [4.961066282705832]
  この研究は、群集システムの自律制御に適応的な分散ロバスト性技術を導入している。 比較的柔軟な構造は、様々な目的を同時に狙うオンラインファジィ強化学習スキームに基づいている。 動的障害に直面した場合のレジリエンスに加えて、アルゴリズムはフィードバック信号としてエージェントの位置以上のものを必要としない。
  論文  参考訳（メタデータ） (2023-03-17T13:07:35Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)

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。