論文の概要: Towards Predicting Any Human Trajectory In Context

• arxiv url: http://arxiv.org/abs/2506.00871v1
• Date: Sun, 01 Jun 2025 07:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.713435
• Title: Towards Predicting Any Human Trajectory In Context
• Title（参考訳）: 文脈における人的軌道の予測に向けて
• Authors: Ryo Fujii, Hideo Saito, Ryo Hachiuma,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.332817296500533
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Predicting accurate future trajectories of pedestrians is essential for autonomous systems but remains a challenging task due to the need for adaptability in different environments and domains. A common approach involves collecting scenario-specific data and performing fine-tuning via backpropagation. However, this process is often impractical on edge devices due to constrained computational resources. To address this challenge, we introduce TrajICL, an In-Context Learning (ICL) framework for pedestrian trajectory prediction that enables rapid adaptation without fine-tuning on the scenario-specific data. We propose a spatio-temporal similarity-based example selection (STES) method that selects relevant examples from previously observed trajectories within the same scene by identifying similar motion patterns at corresponding locations. To further refine this selection, we introduce prediction-guided example selection (PG-ES), which selects examples based on both the past trajectory and the predicted future trajectory, rather than relying solely on the past trajectory. This approach allows the model to account for long-term dynamics when selecting examples. Finally, instead of relying on small real-world datasets with limited scenario diversity, we train our model on a large-scale synthetic dataset to enhance its prediction ability by leveraging in-context examples. Extensive experiments demonstrate that TrajICL achieves remarkable adaptation across both in-domain and cross-domain scenarios, outperforming even fine-tuned approaches across multiple public benchmarks. The code will be released at https://fujiry0.github.io/TrajICL-project-page.
• Abstract（参考訳）: 歩行者の正確な将来の軌跡を予測することは、自律システムには不可欠であるが、異なる環境や領域で適応性を必要とするため、依然として困難な課題である。 一般的なアプローチでは、シナリオ固有のデータを収集し、バックプロパゲーションを通じて微調整を行う。 しかし、このプロセスは制約のある計算資源のため、エッジデバイスでは実用的ではないことが多い。 この課題に対処するために、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、歩行者軌道予測のためのインコンテキスト学習(ICL)フレームワークであるTrajICLを紹介した。 本研究では,同一シーン内で観測された軌跡から関連事例を選択する時空間類似性に基づくサンプル選択(STES)手法を提案する。 この選択をさらに洗練するために,過去の軌跡のみに頼るのではなく,過去の軌跡と予測将来の軌跡の両方に基づいてサンプルを選択する予測誘導例選択(PG-ES)を導入する。 このアプローチにより、サンプルを選択する際に、モデルが長期的なダイナミクスを考慮できる。 最後に、シナリオの多様性が制限された小さな実世界のデータセットに頼るのではなく、大規模合成データセットでモデルをトレーニングし、コンテキスト内例を活用することで予測能力を向上する。 大規模な実験により、TrajICLはドメイン内シナリオとクロスドメインシナリオの両方で顕著な適応を実現し、複数の公開ベンチマークで微調整されたアプローチよりも優れています。 コードはhttps://fujiry0.github.io/TrajICL-project-pageで公開される。

関連論文リスト

• SSTP: Efficient Sample Selection for Trajectory Prediction [46.9148610403273]
  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,軌道予測のためのコンパクトでバランスの取れたデータセットを構築する,軌道予測のためのサンプル選択フレームワークを提案する。 SSTPは強力な一般化と堅牢性を示し、選択されたサブセットはモデルに依存しず、広く適用可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-09-25T22:00:11Z)
• 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)
• DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
  本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。 提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。 本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-23T05:04:23Z)
• Graph-based Spatial Transformer with Memory Replay for Multi-future Pedestrian Trajectory Prediction [13.466380808630188]
  歴史的軌跡に基づく複数経路の予測モデルを提案する。 提案手法は,空間情報を利用するとともに,時間的に矛盾した軌道を補正することができる。 実験により,提案手法は,複数未来予測の最先端性能と,単一未来予測の競合結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-06-12T10:25:12Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Multi-modal anticipation of stochastic trajectories in a dynamic environment with Conditional Variational Autoencoders [0.12183405753834559]
  近くの車両の短期的な動きは、厳密に単一の軌道のセットに限定されません。 本稿では, エージェントの過去の動作に条件付き条件付きオートエンコーダ(C-VAE)と, カプセルネットワーク(Capsule Network, CapsNet)で符号化されたシーンを用いて, 問題のマルチモーダル性を考慮することを提案する。 さらに,N個のサンプルに対して最小値を用いることの利点を実証し,最も近いサンプルに対する損失を最小化しようと試み,より多様な予測を導いた。
  論文  参考訳（メタデータ） (2021-03-05T19:38:26Z)
• 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)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。