論文の概要: Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2509.13577v1
• Date: Tue, 16 Sep 2025 22:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.667034
• Title: Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles
• Title（参考訳）: ダイナミック・アウェア:自律走行車における軌道予測のための適応型マルチモードアウト・オブ・ディストリビューション検出
• Authors: Tongfei Guo, Lili Su,
• Abstract要約: 軌道予測は自動運転車の安全かつシームレスな運転の中心である。 デプロイメントにおいて、予測モデルは、トレーニングデータと実世界の条件の間の分散シフトに必然的に直面する。 本稿では,複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。
• 参考スコア（独自算出の注目度）: 8.920589816043298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction is central to the safe and seamless operation of autonomous vehicles (AVs). In deployment, however, prediction models inevitably face distribution shifts between training data and real-world conditions, where rare or underrepresented traffic scenarios induce out-of-distribution (OOD) cases. While most prior OOD detection research in AVs has concentrated on computer vision tasks such as object detection and segmentation, trajectory-level OOD detection remains largely underexplored. A recent study formulated this problem as a quickest change detection (QCD) task, providing formal guarantees on the trade-off between detection delay and false alarms [1]. Building on this foundation, we propose a new framework that introduces adaptive mechanisms to achieve robust detection in complex driving environments. Empirical analysis across multiple real-world datasets reveals that prediction errors -- even on in-distribution samples -- exhibit mode-dependent distributions that evolve over time with dataset-specific dynamics. By explicitly modeling these error modes, our method achieves substantial improvements in both detection delay and false alarm rates. Comprehensive experiments on established trajectory prediction benchmarks show that our framework significantly outperforms prior UQ- and vision-based OOD approaches in both accuracy and computational efficiency, offering a practical path toward reliable, driving-aware autonomy.
• Abstract（参考訳）: 軌道予測は、自動運転車(AV)の安全かつシームレスな運転の中心である。 しかしながら、デプロイメントでは、トレーニングデータと現実の状況の間の分散シフトに必然的に直面する予測モデルが、まれな、あるいは表現不足なトラフィックシナリオが、アウト・オブ・ディストリビューション(OOD)のケースを誘発する。 AVsにおける以前のOOD検出研究は、物体検出やセグメンテーションなどのコンピュータビジョンタスクに集中していたが、軌道レベルのOOD検出はいまだに未発見のままである。 最近の研究では、この問題をQCDタスクとして定式化し、検出遅延と誤報のトレードオフに関する正式な保証を提供する。 本研究では, 複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。 複数の実世界のデータセットにまたがる経験的分析によると、予測エラー(分散中のサンプルでさえ)は、データセット固有のダイナミクスで時間をかけて進化するモード依存の分布を示す。 本手法は,これらのエラーモードを明示的にモデル化することにより,検出遅延と誤警報率の両方を大幅に改善する。 確立された軌道予測ベンチマークに関する総合的な実験により、我々のフレームワークは、精度と計算効率の両方において、UQおよびビジョンに基づくOODアプローチを著しく上回り、信頼性と運転認識の自律性への実践的な道筋を提供する。

関連論文リスト

• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Benchmarking Vision Foundation Models for Input Monitoring in Autonomous Driving [7.064497253920508]
  特徴抽出器および密度モデリング技術としてのビジョンファウンデーションモデル(VFM)を提案する。 最先端のバイナリOOD分類法と比較すると、密度推定によるVFM埋め込みはOOD入力の同定において既存の手法よりも優れていることが分かる。 提案手法は,ダウンストリームタスクにおけるエラーの原因となる可能性のある高リスク入力を検出し,全体的な性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-14T12:51:34Z)
• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [9.009998323918621]
  十分に訓練された機械学習モデルでさえ、トレーニングデータと推論中に遭遇する実世界の条件の相違により、信頼性の低い予測を生成する可能性がある。 我々は,OOD検出を変更点検出問題としてフレーミングすることで,OOD検出の原理的リアルタイムアプローチを導入する。 我々の軽量なソリューションは、軌道予測推論中にいつでもOODの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Improving Variational Autoencoder based Out-of-Distribution Detection for Embedded Real-time Applications [2.9327503320877457]
  アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。 本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。 提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。 また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
  論文  参考訳（メタデータ） (2021-07-25T07:52:53Z)
• Weighted Average Precision: Adversarial Example Detection in the Visual Perception of Autonomous Vehicles [10.72357267154474]
  本稿では,実用的な自律走行物体検出出力のための新しい距離測定法を提案する。 提案手法は17.76%の精度で既存の単フレームmAPベースのAE検出よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-25T23:59:34Z)

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。