論文の概要: JAM: Keypoint-Guided Joint Prediction after Classification-Aware Marginal Proposal for Multi-Agent Interaction

• arxiv url: http://arxiv.org/abs/2507.17152v1
• Date: Wed, 23 Jul 2025 02:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.83551
• Title: JAM: Keypoint-Guided Joint Prediction after Classification-Aware Marginal Proposal for Multi-Agent Interaction
• Title（参考訳）: JAM:マルチエージェントインタラクションのための分類型マージナル提案後のキーポイント誘導関節予測
• Authors: Fangze Lin, Ying He, Fei Yu, Hong Zhang,
• Abstract要約: 分類認識境界提案(JAM)の後にイタキーポイントテキスト誘導共同予測という2段階の対話型予測フレームワークを提案する。 最初の段階は境界予測プロセスとしてモデル化され、トラジェクトリタイプによってクエリを分類し、モデルがトラジェクトリのすべてのカテゴリを学習するように促す。 第2段階は共同予測プロセスとしてモデル化され、第1段階からシーンコンテキストと限界提案を入力として、最終的な共同分布を学習する。
• 参考スコア（独自算出の注目度）: 6.604700675293037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the future motion of road participants is a critical task in autonomous driving. In this work, we address the challenge of low-quality generation of low-probability modes in multi-agent joint prediction. To tackle this issue, we propose a two-stage multi-agent interactive prediction framework named \textit{keypoint-guided joint prediction after classification-aware marginal proposal} (JAM). The first stage is modeled as a marginal prediction process, which classifies queries by trajectory type to encourage the model to learn all categories of trajectories, providing comprehensive mode information for the joint prediction module. The second stage is modeled as a joint prediction process, which takes the scene context and the marginal proposals from the first stage as inputs to learn the final joint distribution. We explicitly introduce key waypoints to guide the joint prediction module in better capturing and leveraging the critical information from the initial predicted trajectories. We conduct extensive experiments on the real-world Waymo Open Motion Dataset interactive prediction benchmark. The results show that our approach achieves competitive performance. In particular, in the framework comparison experiments, the proposed JAM outperforms other prediction frameworks and achieves state-of-the-art performance in interactive trajectory prediction. The code is available at https://github.com/LinFunster/JAM to facilitate future research.
• Abstract（参考訳）: 道路参加者の将来の動きを予測することは、自動運転における重要な課題である。 本研究では,マルチエージェント共同予測における低品質な低確率モード生成の課題に対処する。 この問題に対処するために,分類対応辺縁予測 (JAM) の後, textit{keypoint-guided joint prediction という2段階の対話型予測フレームワークを提案する。 第1段階は境界予測プロセスとしてモデル化され、トラジェクトリタイプによってクエリを分類し、モデルがトラジェクトリのすべてのカテゴリを学習するように促し、ジョイント予測モジュールに包括的なモード情報を提供する。 第2段階は共同予測プロセスとしてモデル化され、第1段階からシーンコンテキストと限界提案を入力として、最終的な共同分布を学習する。 我々は,初期予測軌道からの臨界情報をよりよく捕捉し,活用するために,共同予測モジュールを案内する重要な経路点を明示的に導入する。 我々は、現実世界のWaymo Open Motion Datasetインタラクティブな予測ベンチマークについて広範な実験を行った。 その結果,本手法は競争性能が向上することが示された。 特に,フレームワーク比較実験において,提案したJAMは,他の予測フレームワークよりも優れ,対話的軌道予測における最先端性能を実現する。 コードは将来の研究を促進するためにhttps://github.com/LinFunster/JAMで入手できる。

関連論文リスト

• From Marginal to Joint Predictions: Evaluating Scene-Consistent Trajectory Prediction Approaches for Automated Driving [4.795092023802721]
  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。
  論文  参考訳（メタデータ） (2025-07-07T17:58:53Z)
• QCNeXt: A Next-Generation Framework For Joint Multi-Agent Trajectory Prediction [5.312631388611489]
  路上エージェントの将来の軌跡の同時分布を推定することは自動運転に不可欠である。 本稿では,QCNeXtと呼ばれるマルチエージェント軌道予測のための次世代フレームワークを提案する。 提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで1位である。
  論文  参考訳（メタデータ） (2023-06-18T09:40:40Z)
• 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)
• ProspectNet: Weighted Conditional Attention for Future Interaction Modeling in Behavior Prediction [5.520507323174275]
  本稿では,車両行動の連立学習と連立学習の逐次学習過程として,エンドツーエンドの連立予測問題を定式化する。 本稿では,対話型エージェントペア間の相互影響をモデル化するために,重み付けされた注目スコアを用いた共同学習ブロックであるProspectNetを提案する。 ProspectNetは2つの限界予測のCartesian製品よりも優れており、Interactive Motion Predictionベンチマークで同等のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2022-08-29T19:29:49Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• 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)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
  我々は新しい予測フレームワークと共に新しい洞察を示す。 提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
  論文  参考訳（メタデータ） (2021-03-14T06:21:03Z)
• 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)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。