論文の概要: Trajectory Entropy: Modeling Game State Stability from Multimodality Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2506.05810v1
• Date: Fri, 06 Jun 2025 07:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 21:34:56.761416
• Title: Trajectory Entropy: Modeling Game State Stability from Multimodality Trajectory Prediction
• Title（参考訳）: 軌道エントロピー:多モード軌道予測によるゲームの状態安定性のモデル化
• Authors: Yesheng Zhang, Wenjian Sun, Yuheng Chen, Qingwei Liu, Qi Lin, Rui Zhang, Xu Zhao,
• Abstract要約: エージェント間の複雑な相互作用は、現実のシナリオにおける自律運転にとって重要な課題である。 近年,エージェントの相互作用をレベルkゲームフレームワークとして定式化する,有望なアプローチが出現している。 本稿では、レベルkゲームフレームワーク内のエージェントのゲームステータスを明らかにするために、トラジェクトリ・エントロピーと呼ばれるメトリクスを提案する。
• 参考スコア（独自算出の注目度）: 17.677746221426172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex interactions among agents present a significant challenge for autonomous driving in real-world scenarios. Recently, a promising approach has emerged, which formulates the interactions of agents as a level-k game framework. It effectively decouples agent policies by hierarchical game levels. However, this framework ignores both the varying driving complexities among agents and the dynamic changes in agent states across game levels, instead treating them uniformly. Consequently, redundant and error-prone computations are introduced into this framework. To tackle the issue, this paper proposes a metric, termed as Trajectory Entropy, to reveal the game status of agents within the level-k game framework. The key insight stems from recognizing the inherit relationship between agent policy uncertainty and the associated driving complexity. Specifically, Trajectory Entropy extracts statistical signals representing uncertainty from the multimodality trajectory prediction results of agents in the game. Then, the signal-to-noise ratio of this signal is utilized to quantify the game status of agents. Based on the proposed Trajectory Entropy, we refine the current level-k game framework through a simple gating mechanism, significantly improving overall accuracy while reducing computational costs. Our method is evaluated on the Waymo and nuPlan datasets, in terms of trajectory prediction, open-loop and closed-loop planning tasks. The results demonstrate the state-of-the-art performance of our method, with precision improved by up to 19.89% for prediction and up to 16.48% for planning.
• Abstract（参考訳）: エージェント間の複雑な相互作用は、現実のシナリオにおける自律運転にとって重要な課題である。 近年,エージェントの相互作用をレベルkゲームフレームワークとして定式化する,有望なアプローチが出現している。 エージェントポリシーを階層的なゲームレベルで効果的に分離する。 しかし、このフレームワークはエージェント間の様々な駆動複雑さとエージェント状態のゲームレベルでの動的変化の両方を無視し、代わりにそれらを一様に扱う。 結果として、このフレームワークには冗長でエラーを起こしやすい計算が導入された。 そこで本研究では,レベルkゲームフレームワーク内のエージェントのゲーム状態を明らかにするために,トラジェクトリ・エントロピーと呼ばれるメトリクスを提案する。 重要な洞察は、エージェントポリシーの不確実性と関連する運転複雑性の間の継承関係を認識することに由来する。 具体的には、ゲーム内のエージェントの多目的軌道予測結果から不確実性を示す統計信号を抽出する。 そして、この信号の信号対雑音比を利用してエージェントのゲームステータスを定量化する。 提案したトラジェクトリ・エントロピーに基づいて、単純なゲーティング機構により現在のレベルkゲームフレームワークを洗練し、計算コストを削減し、全体的な精度を大幅に向上する。 提案手法は, Waymo と nuPlan のデータセットを用いて, 軌道予測, オープンループ, クローズループ計画タスクの観点から評価する。 その結果,予測精度は19.89%,計画精度は16.48%向上した。

関連論文リスト

• DyTTP: Trajectory Prediction with Normalization-Free Transformers [0.0]
  トランスフォーマーベースのアーキテクチャは、複雑な堅牢性依存関係をキャプチャする上で大きな可能性を証明している。 これらの課題に対処するための2つのアプローチを提案する。 まず、トランスフォーマーを促進する最新の方法であるDynamicTanh(DyT)をバックボーンに統合し、従来のレイヤ正規化を置き換える。 DyTを軌道予測タスクにデプロイする最初の作業です。
  論文  参考訳（メタデータ） (2025-04-07T09:26:25Z)
• Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
  既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。 エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
  論文  参考訳（メタデータ） (2023-10-19T17:59:01Z)
• A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory Prediction [4.181632607997678]
  深層学習(DL)と強化学習(RL)の階層的ハイブリッドフレームワークを提案する。 DLの段階では、トラフィックシーンは、トランスフォーマースタイルのGNNが異種相互作用を符号化するために採用される複数の中間スケールの異種グラフに分割される。 RLの段階では、DLの段階で予測される重要な将来点を利用して、交通シーンを局所的なサブシーンに分割する。
  論文  参考訳（メタデータ） (2023-03-22T02:47:42Z)
• Communication-Critical Planning via Multi-Agent Trajectory Exchange [21.923724399511798]
  本稿では,統合マルチエージェント認識と計画の課題に対処する。 これは、コネクテッド・自動運転車の衝突のないナビゲーションという現実の課題に関連している。
  論文  参考訳（メタデータ） (2023-03-10T16:59:24Z)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections [45.508973373913946]
  道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。 我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。 マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
  論文  参考訳（メタデータ） (2020-11-08T02:56:42Z)
• Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
  本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。 対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。 提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2020-07-06T03:48:08Z)
• 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。