論文の概要: sam-llm: interpretable lane change trajectoryprediction via parametric finetuning

• arxiv url: http://arxiv.org/abs/2509.03462v1
• Date: Wed, 03 Sep 2025 16:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.595926
• Title: sam-llm: interpretable lane change trajectoryprediction via parametric finetuning
• Title（参考訳）: Sam-llm: パラメトリック微調整による解釈可能な車線変化軌道予測
• Authors: Zhuo Cao, Yunxiao Shi, Min Xu,
• Abstract要約: SAM-LLMは、大規模言語モデルの文脈推論と、自動走行のための運動車線変更モデルの物理的精度とのギャップを埋める新しいハイブリッドアーキテクチャである。 このシステムは、LLMを微調整し、原座標の代わりに軌道モデルの物理パラメータを出力することで、車線変化軌跡予測を解釈できるように設計されている。
• 参考スコア（独自算出の注目度）: 12.678458530845127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces SAM-LLM, a novel hybrid architecture that bridges the gap between the contextual reasoning of Large Language Models (LLMs) and the physical precision of kinematic lane change models for autonomous driving. The system is designed for interpretable lane change trajectory prediction by finetuning an LLM to output the core physical parameters of a trajectory model instead of raw coordinates. For lane-keeping scenarios, the model predicts discrete coordinates, but for lane change maneuvers, it generates the parameters for an enhanced Sinusoidal Acceleration Model (SAM), including lateral displacement, maneuver duration, initial lateral velocity, and longitudinal velocity change. This parametric approach yields a complete, continuous, and physically plausible trajectory model that is inherently interpretable and computationally efficient, achieving an 80% reduction in output size compared to coordinate-based methods. The SAM-LLM achieves a state-of-the-art overall intention prediction accuracy of 98.73%, demonstrating performance equivalent to traditional LLM predictors while offering significant advantages in explainability and resource efficiency.
• Abstract（参考訳）: SAM-LLMは、大規模言語モデル(LLM)の文脈推論と、自律運転のための運動車線変更モデルの物理的精度のギャップを埋める新しいハイブリッドアーキテクチャである。 このシステムは、LLMを微調整し、原座標の代わりに軌道モデルの物理パラメータを出力することで、車線変化軌跡予測を解釈できるように設計されている。 車線維持シナリオでは、離散座標を予測するが、車線変更操作では、横方向の変位、操作時間、初期横方向速度、縦方向の速度変化を含む、改良された正弦波加速度モデル(SAM)のパラメータを生成する。 このパラメトリックアプローチは、本質的に解釈可能で、計算的に効率的である完全で連続的で、物理的に妥当な軌道モデルをもたらし、座標ベースの手法と比較して出力サイズを80%削減する。 SAM-LLMは98.73%という最先端の全体的な意図予測精度を達成し、従来のLCM予測器と同等の性能を示しながら、説明可能性と資源効率に大きな利点を提供している。

関連論文リスト

• 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)
• Exploring Transformer-Augmented LSTM for Temporal and Spatial Feature Learning in Trajectory Prediction [1.7273380623090846]
  本研究では,TransformerベースのモデルとLong Short-Term Memory (LSTM)ベースの技術の統合について検討する。 提案手法は, STA-LSTM, SA-LSTM, CS-LSTM, NaiveLSTM など, 従来の LSTM ベースの手法に対してベンチマークを行う。
  論文  参考訳（メタデータ） (2024-12-18T01:31:08Z)
• ST-Mamba: Spatial-Temporal Selective State Space Model for Traffic Flow Prediction [32.44888387725925]
  提案したST-Mambaモデルは,まず,グラフモデルを用いることなく交通流予測における時空間学習のパワーを活用する。 提案したST-Mambaモデルでは、計算速度が61.11%向上し、予測精度が0.67%向上した。 実世界のトラフィックデータセットを用いた実験は、textsfST-Mambaモデルがトラフィックフロー予測の新しいベンチマークを設定することを示した。
  論文  参考訳（メタデータ） (2024-04-20T03:57:57Z)
• 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)
• SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for Autonomous Driving [27.776472262857045]
  本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。 メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。 強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
  論文  参考訳（メタデータ） (2024-02-04T15:07:49Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• 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)
• A Data-driven feature selection and machine-learning model benchmark for the prediction of longitudinal dispersion coefficient [29.58577229101903]
  縦方向分散(LD)係数の正確な予測は、関連するシミュレーションにおいて性能の飛躍をもたらすことができる。 本研究では, 蒸留した局所最適値と代表MLモデルとの数値比較により, 大域的最適特徴集合を提案した。 その結果,サポートベクタマシンは他のモデルよりも大幅に性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-07-16T09:50:38Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)

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。