論文の概要: Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2508.07146v1
• Date: Sun, 10 Aug 2025 02:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.72741
• Title: Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction
• Title（参考訳）: 歩行者軌道予測のための意図認識拡散モデル
• Authors: Yu Liu, Zhijie Liu, Xiao Ren, You-Fu Li, He Kong,
• Abstract要約: 本稿では,短期と長期の両方の動作意図を組み込んだ拡散型歩行者軌道予測フレームワークを提案する。 提案するフレームワークはETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。
• 参考スコア（独自算出の注目度）: 15.151965172049271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting pedestrian motion trajectories is critical for the path planning and motion control of autonomous vehicles. Recent diffusion-based models have shown promising results in capturing the inherent stochasticity of pedestrian behavior for trajectory prediction. However, the absence of explicit semantic modelling of pedestrian intent in many diffusion-based methods may result in misinterpreted behaviors and reduced prediction accuracy. To address the above challenges, we propose a diffusion-based pedestrian trajectory prediction framework that incorporates both short-term and long-term motion intentions. Short-term intent is modelled using a residual polar representation, which decouples direction and magnitude to capture fine-grained local motion patterns. Long-term intent is estimated through a learnable, token-based endpoint predictor that generates multiple candidate goals with associated probabilities, enabling multimodal and context-aware intention modelling. Furthermore, we enhance the diffusion process by incorporating adaptive guidance and a residual noise predictor that dynamically refines denoising accuracy. The proposed framework is evaluated on the widely used ETH, UCY, and SDD benchmarks, demonstrating competitive results against state-of-the-art methods.
• Abstract（参考訳）: 歩行者運動軌跡の予測は、自動運転車の経路計画と走行制御にとって重要である。 近年の拡散モデルでは, 歩行者行動の固有確率を軌跡予測のために捉えることに有望な結果が示されている。 しかし,多くの拡散型手法における歩行者意図の明示的意味モデリングが欠如していることは,誤解釈や予測精度の低下につながる可能性がある。 以上の課題に対処するために,短期と長期の両方の動作意図を組み込んだ拡散型歩行者軌道予測フレームワークを提案する。 短期意図は残留極性表現を用いてモデル化され、これは方向と大きさを分離し、きめ細かい局所的な動きパターンを捉える。 長期インテントは、学習可能なトークンベースのエンドポイント予測器によって推定され、関連する確率を持つ複数の候補目標を生成し、マルチモーダルおよびコンテキスト対応のインテントモデリングを可能にする。 さらに,適応誘導と雑音予測器を組み込むことにより拡散の促進を図る。 提案手法はETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。

関連論文リスト

• Intention Enhanced Diffusion Model for Multimodal Pedestrian Trajectory Prediction [15.151965172049271]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御にとって重要である。 近年の拡散モデルでは、軌道予測のための歩行者行動の質を推定する有望な結果が示されている。 本研究では,歩行者の移動意図を予測枠組みに組み込んだ拡散型多モーダル軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-06T09:04:54Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion [26.715578412088327]
  モデルに依存しない不確実性を考慮した歩行者軌道予測手法を提案する。 従来の研究とは異なり、予測性は明示的な分布に変換され、予測可能な将来の軌道を生成することができる。 私たちのフレームワークは、さまざまなニューラルネットアーキテクチャと互換性があります。
  論文  参考訳（メタデータ） (2023-03-15T04:58:43Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。