論文の概要: Beyond Features: How Dataset Design Influences Multi-Agent Trajectory Prediction Performance

• arxiv url: http://arxiv.org/abs/2507.05098v1
• Date: Mon, 07 Jul 2025 15:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.472616
• Title: Beyond Features: How Dataset Design Influences Multi-Agent Trajectory Prediction Performance
• Title（参考訳）: 機能を超えて: データセット設計がマルチエージェント軌道予測性能にどのように影響するか
• Authors: Tobias Demmler, Jakob Häringer, Andreas Tamke, Thao Dang, Alexander Hegai, Lars Mikelsons,
• Abstract要約: 本研究は,マルチエージェント設定における特徴選択,クロスデータセット転送,地理的多様性が軌道予測精度に与える影響について検討する。 我々は,ドイツと米国における我々のデータ記録に基づいて,我々の新しいL4モーション予測データセットを用いて最先端のモデルを評価する。
• 参考スコア（独自算出の注目度）: 37.850085364753845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction is critical for safe autonomous navigation, yet the impact of dataset design on model performance remains understudied. This work systematically examines how feature selection, cross-dataset transfer, and geographic diversity influence trajectory prediction accuracy in multi-agent settings. We evaluate a state-of-the-art model using our novel L4 Motion Forecasting dataset based on our own data recordings in Germany and the US. This includes enhanced map and agent features. We compare our dataset to the US-centric Argoverse 2 benchmark. First, we find that incorporating supplementary map and agent features unique to our dataset, yields no measurable improvement over baseline features, demonstrating that modern architectures do not need extensive feature sets for optimal performance. The limited features of public datasets are sufficient to capture convoluted interactions without added complexity. Second, we perform cross-dataset experiments to evaluate how effective domain knowledge can be transferred between datasets. Third, we group our dataset by country and check the knowledge transfer between different driving cultures.
• Abstract（参考訳）: 安全な自律ナビゲーションには正確な軌道予測が不可欠だが、モデル性能に対するデータセット設計の影響はいまだ検討されていない。 本研究は,マルチエージェント設定における特徴選択,クロスデータセット転送,地理的多様性が軌道予測精度に与える影響を系統的に検討する。 我々は,ドイツと米国における我々のデータ記録に基づいて,我々の新しいL4モーション予測データセットを用いて最先端のモデルを評価する。 マップとエージェントの機能が強化されている。 データセットを米国中心のArgoverse 2ベンチマークと比較します。 まず、我々のデータセットに固有の補足マップとエージェント機能を組み込むと、ベースライン機能よりも測定可能な改善が得られず、モダンアーキテクチャが最適なパフォーマンスのために広範な機能セットを必要としないことが示される。 パブリックデータセットの限られた機能は、複雑さを増すことなく複雑なインタラクションをキャプチャするのに十分である。 第2に、データセット間でドメイン知識がいかに効果的に転送できるかを評価するために、データセット間実験を行う。 第3に、我々のデータセットを国ごとにグループ化し、異なる運転文化間の知識伝達をチェックする。

関連論文リスト

• UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
  さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。 我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。 これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-22T10:36:50Z)
• Comparing Importance Sampling Based Methods for Mitigating the Effect of Class Imbalance [0.0]
  我々は,損失再加重,アンダーサンプリング,オーバーサンプリングという,重要なサンプリングから導かれる3つのテクニックを比較した。 アンダーサンプリングにおける損失の重み付けは、アンダー表現されたクラスの性能に悪影響を及ぼすことがわかった。 我々の発見は、プラネタリーデータセットに何らかの冗長性が存在することも示唆している。
  論文  参考訳（メタデータ） (2024-02-28T22:52:27Z)
• Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation [41.09061877498741]
  外部要因とデータ取得戦略によるデータセット間での相違がある。 大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットでの転送可能性に制限がある。 本稿では,ニューラル微分方程式(NSDE)の連続的利用に基づく不一致の緩和手法を提案する。 提案手法の有効性は,一般的なベンチマークデータセットであるnuScenes,Argoverse,Lyft,InterinterAction,Open Motionデータセット上で,最先端の軌道予測モデルに対して検証される。
  論文  参考訳（メタデータ） (2023-12-26T06:50:29Z)
• A State-Vector Framework for Dataset Effects [20.255403795164856]
  この方向の厳密な研究を可能にするための状態ベクトルフレームワークを提案する。 このフレームワークはベクトル空間の基底として理想化された探索テスト結果を使用する。 一般的に使われている言語理解データセットの有意な影響は特徴的であり,いくつかの言語的側面に集中していることが示される。
  論文  参考訳（メタデータ） (2023-10-17T03:05:06Z)
• Detection Hub: Unifying Object Detection Datasets via Query Adaptation on Language Embedding [137.3719377780593]
  新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。 データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。 データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
  論文  参考訳（メタデータ） (2022-06-07T17:59:44Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)

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。