論文の概要: Adaptive Output Steps: FlexiSteps Network for Dynamic Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2508.17797v1
• Date: Mon, 25 Aug 2025 08:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.696012
• Title: Adaptive Output Steps: FlexiSteps Network for Dynamic Trajectory Prediction
• Title（参考訳）: 適応出力ステップ:動的軌道予測のためのFlexiStepsネットワーク
• Authors: Yunxiang Liu, Hongkuo Niu, Jianlin Zhu,
• Abstract要約: 様々な状況条件に基づいて動的に出力時間ステップを予測する新しいフレームワークであるFlexiSteps Network (FSN)を紹介した。 FSNのプラグアンドプレイを保証するため、動的デコーダ(DD)も設計します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction is vital for autonomous driving, robotics, and intelligent decision-making systems, yet traditional models typically rely on fixed-length output predictions, limiting their adaptability to dynamic real-world scenarios. In this paper, we introduce the FlexiSteps Network (FSN), a novel framework that dynamically adjusts prediction output time steps based on varying contextual conditions. Inspired by recent advancements addressing observation length discrepancies and dynamic feature extraction, FSN incorporates an pre-trained Adaptive Prediction Module (APM) to evaluate and adjust the output steps dynamically, ensuring optimal prediction accuracy and efficiency. To guarantee the plug-and-play of our FSN, we also design a Dynamic Decoder(DD). Additionally, to balance the prediction time steps and prediction accuracy, we design a scoring mechanism, which not only introduces the Fr\'echet distance to evaluate the geometric similarity between the predicted trajectories and the ground truth trajectories but the length of predicted steps is also considered. Extensive experiments conducted on benchmark datasets including Argoverse and INTERACTION demonstrate the effectiveness and flexibility of our proposed FSN framework.
• Abstract（参考訳）: 正確な軌道予測は自律走行、ロボティクス、インテリジェントな意思決定システムには不可欠だが、従来のモデルは固定長の出力予測に依存しており、動的現実のシナリオへの適応性を制限する。 本稿では,様々な文脈条件に基づいて予測出力時間ステップを動的に調整する新しいフレームワークであるFlexiSteps Network(FSN)を紹介する。 観測長の相違と動的特徴抽出の最近の進歩に触発されて、FSNは事前訓練された適応予測モジュール(APM)を導入し、出力ステップを動的に評価・調整し、最適な予測精度と効率を確保する。 FSNのプラグアンドプレイを保証するため、動的デコーダ(DD)も設計します。 さらに,予測時間ステップと予測精度のバランスをとるために,Fr'echet距離を導入し,予測軌跡と地上の真理軌跡との幾何学的類似性を評価するとともに,予測ステップの長さも考慮したスコアリング機構を設計する。 Argoverse や InterACTION などのベンチマークデータセットで実施された大規模な実験は、提案した FSN フレームワークの有効性と柔軟性を示している。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• GAMDTP: Dynamic Trajectory Prediction with Graph Attention Mamba Network [0.0]
  本稿では,動的軌跡予測に適したグラフアテンションに基づくネットワークGAMDTPを提案する。 GAMDTPは、ハイデフィニションマップ(HDマップ)データとエージェントの過去の軌跡座標を符号化する。 Argoverseデータセットの実験では、GAMDTPは動的軌道予測において優れた精度を達成している。
  論文  参考訳（メタデータ） (2025-04-07T09:19:20Z)
• Trajectory Mamba: Efficient Attention-Mamba Forecasting Model Based on Selective SSM [16.532357621144342]
  本稿では、選択状態空間モデル(SSM)に基づく新しい効率的な軌道予測フレームワークであるTrajectory Mambaを紹介する。 注意機構の変更による予測精度の潜在的な低減に対処するため,共同ポリリン符号化戦略を提案する。 本モデルでは,Argoverse 1 と Argoverse 2 の両方のデータセットにおける推定速度とパラメータ効率の両面から,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2025-03-13T21:31:12Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  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不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Adaptive Online Optimization with Predictions: Static and Dynamic Environments [5.553963083111226]
  我々は,勾配予測,関数予測,ダイナミックスを利用する新しいステップサイズルールとOCOアルゴリズムを提案する。 提案アルゴリズムは、参照アクションシーケンスのダイナミックスの観点から、静的および動的後悔境界を楽しむ。 コンベックスと強いコンベックスの両コストについて検討した。
  論文  参考訳（メタデータ） (2022-05-01T11:03:33Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)

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。