論文の概要: Complementary Learning System Empowers Online Continual Learning of Vehicle Motion Forecasting in Smart Cities

• arxiv url: http://arxiv.org/abs/2508.19597v2
• Date: Sat, 06 Sep 2025 09:35:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.323185
• Title: Complementary Learning System Empowers Online Continual Learning of Vehicle Motion Forecasting in Smart Cities
• Title（参考訳）: スマートシティにおける車両運動予測のオンライン連続学習を支援する補完学習システム
• Authors: Zirui Li, Yunlong Lin, Guodong Du, Xiaocong Zhao, Cheng Gong, Chen Lv, Chao Lu, Jianwei Gong,
• Abstract要約: 本稿では、ディープニューラルネットワーク(DNN)に基づくモーション予測のためのタスクレスオンライン連続学習パラダイムであるDual-LSを紹介する。 3つの国にまたがる自然主義的なデータ、772,000台以上の車両、11,187kmの累積的な試験マイルは、Dual-LSが74.31%の破滅的な忘れを緩和していることを示している。
• 参考スコア（独自算出の注目度）: 50.14230518748104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence underpins most smart city services, yet deep neural network (DNN) that forecasts vehicle motion still struggle with catastrophic forgetting, the loss of earlier knowledge when models are updated. Conventional fixes enlarge the training set or replay past data, but these strategies incur high data collection costs, sample inefficiently and fail to balance long- and short-term experience, leaving them short of human-like continual learning. Here we introduce Dual-LS, a task-free, online continual learning paradigm for DNN-based motion forecasting that is inspired by the complementary learning system of the human brain. Dual-LS pairs two synergistic memory rehearsal replay mechanisms to accelerate experience retrieval while dynamically coordinating long-term and short-term knowledge representations. Tests on naturalistic data spanning three countries, over 772,000 vehicles and cumulative testing mileage of 11,187 km show that Dual-LS mitigates catastrophic forgetting by up to 74.31\% and reduces computational resource demand by up to 94.02\%, markedly boosting predictive stability in vehicle motion forecasting without inflating data requirements. Meanwhile, it endows DNN-based vehicle motion forecasting with computation efficient and human-like continual learning adaptability fit for smart cities.
• Abstract（参考訳）: 人工知能は、ほとんどのスマートシティサービスを支えるが、車の動きを予測するディープニューラルネットワーク(DNN)は、大惨な忘れに苦戦している。 従来の修正はトレーニングセットを拡張し、過去のデータを再生するが、これらの戦略は高いデータ収集コストを発生させ、非効率にサンプルをサンプリングし、長期的および短期的な経験のバランスが取れず、人間のような継続的な学習に欠ける。 本稿では、人間の脳の補完学習システムにインスパイアされた、DNNベースのモーション予測のためのタスクフリーオンライン連続学習パラダイムであるDual-LSを紹介する。 Dual-LSは、長期的および短期的な知識表現を動的に調整しながら、体験検索を加速する2つの相乗的メモリリハーサルリプレイ機構をペアリングする。 772,000台以上の車両と11,187kmの累積走行距離を含む3カ国にわたる自然主義的なデータに関するテストでは、Dual-LSは破滅的な忘れを最大74.31倍まで軽減し、計算資源の需要を94.02倍まで削減し、データ要求を膨らませることなく車両の運動予測の予測安定性を著しく向上させることが示されている。 一方、DNNベースの車両の動き予測には、計算効率が良く、スマートシティに適した人間のような継続的な学習適応性がある。

関連論文リスト

• TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
  交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
  論文  参考訳（メタデータ） (2024-10-24T22:50:21Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction [26.14918154872732]
  本稿では,Human-Like Trajectory Prediction Model (H++)を提案する。 H++は自律運転(AD)の軌道予測を改善するために人間の認知過程をエミュレートする NGSIM、HighD、MoCADベンチマークを用いて評価すると、H++は既存のモデルよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-07-09T16:42:17Z)
• Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction [70.9337170201739]
  本稿では,その歴史データに基づいて,知的車両の将来の軌跡を予測するモデルを提案する。 提案アルゴリズムは,予測なしでアバタータスクの実行遅延を約25%削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T13:27:11Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Generative Adversarial Imitation Learning for End-to-End Autonomous Driving on Urban Environments [0.8122270502556374]
  GAIL(Generative Adversarial Imitation Learning)は、報酬関数を明示的に定義することなくポリシーを訓練することができる。 両モデルとも,訓練終了後に開始から終了まで,専門家の軌道を模倣できることを示す。
  論文  参考訳（メタデータ） (2021-10-16T15:04:13Z)

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。