論文の概要: Collaborative-Distilled Diffusion Models (CDDM) for Accelerated and Lightweight Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2510.00627v1
• Date: Wed, 01 Oct 2025 08:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.454922
• Title: Collaborative-Distilled Diffusion Models (CDDM) for Accelerated and Lightweight Trajectory Prediction
• Title（参考訳）: 加速・軽量軌道予測のためのCDDM(Collaborative-Distilled Diffusion Model)
• Authors: Bingzhang Wang, Kehua Chen, Yinhai Wang,
• Abstract要約: 軌道予測は自律走行車(AV)とインテリジェントトランスポーテーションシステム(ITS)の基本課題である 拡散モデルは最近、確率的軌道予測において強い性能を示した。 本稿では, リアルタイムかつ軽量な軌道予測手法であるCDDMを提案する。
• 参考スコア（独自算出の注目度）: 14.108460337857645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is a fundamental task in Autonomous Vehicles (AVs) and Intelligent Transportation Systems (ITS), supporting efficient motion planning and real-time traffic safety management. Diffusion models have recently demonstrated strong performance in probabilistic trajectory prediction, but their large model size and slow sampling process hinder real-world deployment. This paper proposes Collaborative-Distilled Diffusion Models (CDDM), a novel method for real-time and lightweight trajectory prediction. Built upon Collaborative Progressive Distillation (CPD), CDDM progressively transfers knowledge from a high-capacity teacher diffusion model to a lightweight student model, jointly reducing both the number of sampling steps and the model size across distillation iterations. A dual-signal regularized distillation loss is further introduced to incorporate guidance from both the teacher and ground-truth data, mitigating potential overfitting and ensuring robust performance. Extensive experiments on the ETH-UCY pedestrian benchmark and the nuScenes vehicle benchmark demonstrate that CDDM achieves state-of-the-art prediction accuracy. The well-distilled CDDM retains 96.2% and 95.5% of the baseline model's ADE and FDE performance on pedestrian trajectories, while requiring only 231K parameters and 4 or 2 sampling steps, corresponding to 161x compression, 31x acceleration, and 9 ms latency. Qualitative results further show that CDDM generates diverse and accurate trajectories under dynamic agent behaviors and complex social interactions. By bridging high-performing generative models with practical deployment constraints, CDDM enables resource-efficient probabilistic prediction for AVs and ITS. Code is available at https://github.com/bingzhangw/CDDM.
• Abstract（参考訳）: 軌道予測は、自律走行車(AV)とインテリジェントトランスポーテーションシステム(ITS)の基本課題であり、効率的な移動計画とリアルタイム交通安全管理を支援する。 拡散モデルは最近、確率的軌道予測において強力な性能を示したが、その大きなモデルサイズと遅いサンプリングプロセスは現実世界の展開を妨げる。 本稿では, リアルタイムかつ軽量な軌道予測手法であるCDDMを提案する。 コラボレーティブ・プログレッシブ蒸留(CPD)に基づいて、CDDMは、高容量の教師拡散モデルからの知識を軽量の学生モデルに段階的に移行し、サンプリングステップの数と蒸留イテレーション間のモデルサイズの両方を共同で削減する。 さらに, 教師データと接地トラストデータの両方からのガイダンスを取り入れ, 潜在的な過度適合を緩和し, 堅牢な性能を確保するために, 二重信号正規化蒸留損失を導入した。 ETH-UCY歩行者ベンチマークとnuScenes車両ベンチマークに関する大規模な実験は、CDDMが最先端の予測精度を達成することを実証している。 良く蒸留されたCDDMは、基本モデルのADEとFDEのパフォーマンスの96.2%と95.5%を保持し、231Kパラメータと4または2のサンプリングステップしか必要とせず、161x圧縮、31xアクセラレーション、9msレイテンシに対応している。 さらに質的な結果は、CDDMが動的エージェントの挙動や複雑な社会的相互作用の下で、多様で正確な軌道を生成することを示している。 実際の配置制約で高性能な生成モデルをブリッジすることで、CDDMはAVとITSの資源効率の高い確率予測を可能にする。 コードはhttps://github.com/bingzhangw/CDDMで入手できる。

関連論文リスト

• Improved Diffusion-based Generative Model with Better Adversarial Robustness [65.38540020916432]
  拡散確率モデル(DPM)は、生成タスクにおいて大きな成功を収めた。 デノナイジングプロセスでは、入力データ分布はトレーニングと推論の段階によって異なる。
  論文  参考訳（メタデータ） (2025-02-24T12:29:16Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models [11.308331231957588]
  本研究は, 拡散モデルを用いた高速道路軌道予測のための新しいネットワークアーキテクチャである, 条件付き車両運動拡散(cVMD)モデルを紹介する。 cVMDのアーキテクチャの中心は、安全クリティカルなアプリケーションにおいて重要な機能である不確実な定量化を実行する能力である。 実験により,提案アーキテクチャは最先端モデルと比較して,競合軌道予測精度が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:01:39Z)
• 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)
• DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
  本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。 提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。 本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-23T05:04:23Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)

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。