論文の概要: From Marginal to Joint Predictions: Evaluating Scene-Consistent Trajectory Prediction Approaches for Automated Driving

• arxiv url: http://arxiv.org/abs/2507.05254v1
• Date: Mon, 07 Jul 2025 17:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.561266
• Title: From Marginal to Joint Predictions: Evaluating Scene-Consistent Trajectory Prediction Approaches for Automated Driving
• Title（参考訳）: 縁から関節への予測:自動走行のためのシーン一貫性軌道予測手法の評価
• Authors: Fabian Konstantinidis, Ariel Dallari Guerreiro, Raphael Trumpp, Moritz Sackmann, Ulrich Hofmann, Marco Caccamo, Christoph Stiller,
• Abstract要約: マージナル予測モデルは、通常、各エージェントの将来の軌跡を独立して予測する。 合同予測モデルは、エージェント間の相互作用を明示的に説明し、社会的および物理的に一貫した予測をもたらす。 予測精度,多モード性,推論効率の観点から各手法の評価を行った。
• 参考スコア（独自算出の注目度）: 4.795092023802721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate motion prediction of surrounding traffic participants is crucial for the safe and efficient operation of automated vehicles in dynamic environments. Marginal prediction models commonly forecast each agent's future trajectories independently, often leading to sub-optimal planning decisions for an automated vehicle. In contrast, joint prediction models explicitly account for the interactions between agents, yielding socially and physically consistent predictions on a scene level. However, existing approaches differ not only in their problem formulation but also in the model architectures and implementation details used, making it difficult to compare them. In this work, we systematically investigate different approaches to joint motion prediction, including post-processing of the marginal predictions, explicitly training the model for joint predictions, and framing the problem as a generative task. We evaluate each approach in terms of prediction accuracy, multi-modality, and inference efficiency, offering a comprehensive analysis of the strengths and limitations of each approach. Several prediction examples are available at https://frommarginaltojointpred.github.io/.
• Abstract（参考訳）: 周囲の交通参加者の正確な動き予測は、動的環境における自動車両の安全かつ効率的な運転に不可欠である。 マージナル予測モデルは、通常、各エージェントの将来の軌跡を独立して予測し、しばしば自動車両の準最適計画決定につながる。 対照的に、共同予測モデルは、エージェント間の相互作用を明示的に説明し、シーンレベルで社会的および物理的に一貫した予測をもたらす。 しかし、既存のアプローチは問題定式化だけでなく、モデルアーキテクチャや実装の詳細も異なり、比較するのは困難である。 本研究では,限界予測の後処理,共同予測モデルの構築,生成タスクとしてのフレーミングなど,共同動作予測に対するさまざまなアプローチを体系的に検討する。 予測精度,多モード性,推論効率の観点から各アプローチを評価し,それぞれのアプローチの強みと限界を包括的に分析した。 いくつかの予測例はhttps://frommarginaltojointpred.github.io/で公開されている。

関連論文リスト

• Improving Consistency in Vehicle Trajectory Prediction Through Preference Optimization [4.506411269983418]
  軌道予測は、自動運転車のパイプラインにおいて不可欠なステップである。 現在のディープラーニングベースの軌道予測モデルは、公開データセット上で優れた精度を達成することができる。 選好最適化を用いたマルチエージェント設定における微調整軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-03T07:59:49Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。 そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。 認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision [2.365702128814616]
  正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
  論文  参考訳（メタデータ） (2023-06-06T02:46:28Z)
• 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)
• M2I: From Factored Marginal Trajectory Prediction to Interactive Prediction [26.49897317427192]
  既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。 本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。 提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
  論文  参考訳（メタデータ） (2022-02-24T03:28:26Z)
• 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)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Prediction by Anticipation: An Action-Conditional Prediction Method based on Interaction Learning [23.321627835039934]
  潜在確率的生成過程の観点から相互作用を観察する予測による予測を提案する。 このビューでは、連続データフレームをアクション条件分布から順次サンプルに分解することができる。 提案する予測モデルである変分ベイズ型は,この条件分布のエビデンス下限 (elbo) を最大化するために訓練されている。
  論文  参考訳（メタデータ） (2020-12-25T01:39:26Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• 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)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。