論文の概要: TrajEvo: Trajectory Prediction Heuristics Design via LLM-driven Evolution

• arxiv url: http://arxiv.org/abs/2508.05616v1
• Date: Thu, 07 Aug 2025 17:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.98256
• Title: TrajEvo: Trajectory Prediction Heuristics Design via LLM-driven Evolution
• Title（参考訳）: TrajEvo: LLM駆動進化による軌道予測ヒューリスティックス設計
• Authors: Zhikai Zhao, Chuanbo Hua, Federico Berto, Kanghoon Lee, Zihan Ma, Jiachen Li, Jinkyoo Park,
• Abstract要約: トレイ予測は人間の行動、特に社会ロボティクスや自動運転車のナビゲーションといった安全上重要な領域をモデル化する上で重要なタスクである。 本稿では,Large Language Models (LLMs) を利用して軌道予測一般を自動設計するフレームワークであるTrajEvoを紹介する。
• 参考スコア（独自算出の注目度）: 19.607695535560566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is a critical task in modeling human behavior, especially in safety-critical domains such as social robotics and autonomous vehicle navigation. Traditional heuristics based on handcrafted rules often lack accuracy and generalizability. Although deep learning approaches offer improved performance, they typically suffer from high computational cost, limited explainability, and, importantly, poor generalization to out-of-distribution (OOD) scenarios. In this paper, we introduce TrajEvo, a framework that leverages Large Language Models (LLMs) to automatically design trajectory prediction heuristics. TrajEvo employs an evolutionary algorithm to generate and refine prediction heuristics from past trajectory data. We propose two key innovations: Cross-Generation Elite Sampling to encourage population diversity, and a Statistics Feedback Loop that enables the LLM to analyze and improve alternative predictions. Our evaluations demonstrate that TrajEvo outperforms existing heuristic methods across multiple real-world datasets, and notably surpasses both heuristic and deep learning methods in generalizing to an unseen OOD real-world dataset. TrajEvo marks a promising step toward the automated design of fast, explainable, and generalizable trajectory prediction heuristics. We release our source code to facilitate future research at https://github.com/ai4co/trajevo.
• Abstract（参考訳）: 軌道予測は人間の行動、特に社会ロボティクスや自動運転車のナビゲーションといった安全上重要な領域をモデル化する上で重要なタスクである。 手作りの規則に基づく伝統的なヒューリスティックスは、しばしば正確さと一般化性に欠ける。 ディープラーニングアプローチはパフォーマンスの向上を提供するが、一般的には高い計算コスト、説明可能性の制限、そして最も重要なのは、アウト・オブ・ディストリビューション(OOD)シナリオへの一般化の欠如に悩まされる。 本稿では,大規模言語モデル(LLM)を利用して軌道予測ヒューリスティックスを自動的に設計するフレームワークであるTrajEvoを紹介する。 TrajEvoは進化的アルゴリズムを用いて過去の軌道データから予測ヒューリスティックを生成・洗練する。 人口多様性を促進するクロスジェネレーション・エリートサンプリングと、LCMが代替予測を分析し改善する統計フィードバックループの2つの重要なイノベーションを提案する。 評価の結果,TrajEvoは複数の実世界のデータセットにまたがる既存のヒューリスティック手法よりも優れており,未確認のOOD実世界のデータセットへの一般化において,ヒューリスティック手法とディープラーニング手法の両方を上回っていることがわかった。 TrajEvoは、高速で説明可能な、一般化可能な軌道予測ヒューリスティックスの自動化設計に向けた有望なステップである。 ソースコードはhttps://github.com/ai4co/trajevo.comで公開しています。

関連論文リスト

• Generative Active Learning for Long-tail Trajectory Prediction via Controllable Diffusion Model [33.08750291010022]
  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。
  論文  参考訳（メタデータ） (2025-07-30T12:36:05Z)
• TrajFlow: Multi-modal Motion Prediction via Flow Matching [29.274577509291973]
  本稿では,新しいフローマッチングに基づく動き予測フレームワークであるTrajFlowを紹介する。 TrajFlowは1回のパスで複数の可算な将来の軌跡を予測し、計算オーバーヘッドを大幅に削減する。 さまざまな主要なメトリクスにわたって最先端のパフォーマンスを達成し、安全クリティカルな自動運転アプリケーションの有効性を裏付ける。
  論文  参考訳（メタデータ） (2025-06-10T08:08:31Z)
• TrajEvo: Designing Trajectory Prediction Heuristics via LLM-driven Evolution [19.607695535560566]
  軌道予測は人間の行動のモデル化において重要な課題である。 本稿では,大規模言語モデル(LLM)を利用して軌道予測を自動的に設計するフレームワークであるTrajEvoを紹介する。
  論文  参考訳（メタデータ） (2025-05-07T14:51:43Z)
• Deep learning framework for action prediction reveals multi-timescale locomotor control [41.985053522482545]
  我々は,行動予測のためのディープラーニングベースのフレームワークを開発した。 フレキシブルな入力履歴を持つニューラルネットワークアーキテクチャは、GRUやTransformerといったタイムスケールが全体的なパフォーマンスに優れています。
  論文  参考訳（メタデータ） (2025-03-20T16:57:15Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
  マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。 提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
  論文  参考訳（メタデータ） (2024-11-04T23:15:21Z)
• Scene-Aware Explainable Multimodal Trajectory Prediction [15.58042746234974]
  説明可能な条件拡散に基づくマルチモーダル軌道予測(DMTP)モデルを提案する。 本モデルでは,マルチモーダルな軌道パターンを捉えるために条件拡散法を改良し,大域的特徴とシナリオ固有の特徴の意義を評価するためにシェープ値モデルを改良した。 実験により,本モデルが重要な入力の同定に優れ,精度でベースラインモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting [15.916325272109454]
  本稿では,ディープラーニングとルールに基づく予測専門家を統合した新しいフレームワーク,Adaptive Prediction Ensemble (APE)を提案する。 ディープラーニングモデルと並行して訓練された学習ルーティング関数は、入力シナリオに基づいて、最も信頼性の高い予測を動的に選択する。 提案手法は,OODデータの割合が高い長期予測やシナリオにおいて,個々の予測モデルや他の変種よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-12T17:57:00Z)
• 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)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• 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)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)

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。