論文の概要: Generative Active Learning for Long-tail Trajectory Prediction via Controllable Diffusion Model
- arxiv url: http://arxiv.org/abs/2507.22615v1
- Date: Wed, 30 Jul 2025 12:36:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:18.194732
- Title: Generative Active Learning for Long-tail Trajectory Prediction via Controllable Diffusion Model
- Title(参考訳): 制御可能な拡散モデルによる長距離軌道予測のための生成能動学習
- Authors: Daehee Park, Monu Surana, Pranav Desai, Ashish Mehta, Reuben MV John, Kuk-Jin Yoon,
- Abstract要約: 軌道予測のための生成能動学習(GALTraj)を紹介する。
GALTrajは、生成能動学習を軌道予測にうまく展開する最初の方法である。
シナリオの多様性にのみ焦点をあてた従来のシミュレーション手法とは異なり、GALTrajは、軌道予測において、シミュレータ駆動の強化が長期学習にどのような恩恵をもたらすかを示す最初の方法である。
- 参考スコア(独自算出の注目度): 33.08750291010022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While data-driven trajectory prediction has enhanced the reliability of autonomous driving systems, it still struggles with rarely observed long-tail scenarios. Prior works addressed this by modifying model architectures, such as using hypernetworks. In contrast, we propose refining the training process to unlock each model's potential without altering its structure. We introduce Generative Active Learning for Trajectory prediction (GALTraj), the first method to successfully deploy generative active learning into trajectory prediction. It actively identifies rare tail samples where the model fails and augments these samples with a controllable diffusion model during training. In our framework, generating scenarios that are diverse, realistic, and preserve tail-case characteristics is paramount. Accordingly, we design a tail-aware generation method that applies tailored diffusion guidance to generate trajectories that both capture rare behaviors and respect traffic rules. Unlike prior simulation methods focused solely on scenario diversity, GALTraj is the first to show how simulator-driven augmentation benefits long-tail learning in trajectory prediction. Experiments on multiple trajectory datasets (WOMD, Argoverse2) with popular backbones (QCNet, MTR) confirm that our method significantly boosts performance on tail samples and also enhances accuracy on head samples.
- Abstract(参考訳): データ駆動軌道予測は、自律運転システムの信頼性を高める一方で、稀に観察されるロングテールシナリオに苦慮している。
以前の作業では、ハイパーネットを使用するなど、モデルアーキテクチャを変更することで、この問題に対処していた。
対照的に、各モデルのポテンシャルをその構造を変えることなくアンロックするためのトレーニングプロセスの修正を提案する。
軌道予測のための生成能動学習(GALTraj)を導入し,軌道予測に生成能動学習を効果的に展開する手法を提案する。
モデルが失敗する稀な尾のサンプルを積極的に識別し、トレーニング中に制御可能な拡散モデルでこれらのサンプルを増強する。
当社のフレームワークでは,多様で現実的で,テールケースの特徴を保ったシナリオを生成することが最重要である。
そこで我々は,レアな行動と交通ルールを尊重するトラジェクトリを生成するために,適切な拡散誘導を適用するテール・アウェア・ジェネレーションを設計する。
シナリオの多様性にのみ焦点をあてた従来のシミュレーション手法とは異なり、GALTrajは、軌道予測において、シミュレータ駆動の強化が長期学習にどのような恩恵をもたらすかを示す最初の方法である。
一般的なバックボーン (QCNet, MTR) を用いた複数軌跡データセット (WOMD, Argoverse2) 実験により, 本手法が尾部試料の性能を大幅に向上し, 頭部試料の精度も向上することを確認した。
関連論文リスト
- Generative Data Mining with Longtail-Guided Diffusion [39.460272573196896]
トレーニング中に追加データを想像することで,プロアクティブなロングテール発見プロセスを開発する。
我々はこれらの信号をガイダンスとして利用し、潜在拡散モデルから追加のトレーニングデータを生成する。
中間拡散状態に予測モデルを公開する必要はない。
論文 参考訳(メタデータ) (2025-02-04T03:51:00Z) - 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory
Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。
EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。
以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文 参考訳(メタデータ) (2023-08-12T13:17:09Z) - Learning to Jump: Thinning and Thickening Latent Counts for Generative
Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。
ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文 参考訳(メタデータ) (2023-05-28T05:38:28Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - TrajGen: Generating Realistic and Diverse Trajectories with Reactive and
Feasible Agent Behaviors for Autonomous Driving [19.06020265777298]
既存のシミュレーターは、背景車両のシステムに基づく行動モデルに依存しており、現実のシナリオにおける複雑なインタラクティブな振る舞いを捉えることはできない。
そこで我々は,人間の実演からより現実的な行動を直接捉えることができる2段階の軌道生成フレームワークであるTrajGenを提案する。
また,データ駆動型シミュレータI-Simを開発した。
論文 参考訳(メタデータ) (2022-03-31T04:48:29Z) - Trajectory-wise Multiple Choice Learning for Dynamics Generalization in
Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。
文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。
提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文 参考訳(メタデータ) (2020-10-26T03:20:42Z) - 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)
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。