論文の概要: Diffusion^2: Dual Diffusion Model with Uncertainty-Aware Adaptive Noise for Momentary Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2510.04365v1
• Date: Sun, 05 Oct 2025 21:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.606531
• Title: Diffusion^2: Dual Diffusion Model with Uncertainty-Aware Adaptive Noise for Momentary Trajectory Prediction
• Title（参考訳）: Diffusion^2: Dual Diffusion Model with Uncertainty-Aware Adaptive Noise for Momentary Trajectory Prediction (特集:一般セッション)
• Authors: Yuhao Luo, Yuang Zhang, Kehua Chen, Xinyu Zheng, Shucheng Zhang, Sikai Chen, Yinhai Wang,
• Abstract要約: 初期の研究では、将来の軌道を予測するのに十分な観測データを主に利用していた。 盲点から歩行者のような現実世界のシナリオでは、十分な観測データは利用できないことが多い。 本稿では,時間軌道予測に適したDiffusion2という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.85021503551474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate pedestrian trajectory prediction is crucial for ensuring safety and efficiency in autonomous driving and human-robot interaction scenarios. Earlier studies primarily utilized sufficient observational data to predict future trajectories. However, in real-world scenarios, such as pedestrians suddenly emerging from blind spots, sufficient observational data is often unavailable (i.e. momentary trajectory), making accurate prediction challenging and increasing the risk of traffic accidents. Therefore, advancing research on pedestrian trajectory prediction under extreme scenarios is critical for enhancing traffic safety. In this work, we propose a novel framework termed Diffusion^2, tailored for momentary trajectory prediction. Diffusion^2 consists of two sequentially connected diffusion models: one for backward prediction, which generates unobserved historical trajectories, and the other for forward prediction, which forecasts future trajectories. Given that the generated unobserved historical trajectories may introduce additional noise, we propose a dual-head parameterization mechanism to estimate their aleatoric uncertainty and design a temporally adaptive noise module that dynamically modulates the noise scale in the forward diffusion process. Empirically, Diffusion^2 sets a new state-of-the-art in momentary trajectory prediction on ETH/UCY and Stanford Drone datasets.
• Abstract（参考訳）: 正確な歩行者軌道予測は、自律運転と人間とロボットの相互作用シナリオにおける安全性と効率を確保するために不可欠である。 初期の研究では、将来の軌道を予測するのに十分な観測データを主に利用していた。 しかし、視覚障害者などの現実のシナリオでは、十分な観測データが利用できない場合が多く(即時軌道)、正確な予測が困難となり、交通事故のリスクが増大する。 したがって、交通安全を高めるためには、極端なシナリオ下での歩行者軌道予測の研究の進展が不可欠である。 本研究では,時間軌道予測に適したDiffusion^2という新しいフレームワークを提案する。 Diffusion^2 は2つの逐次連結拡散モデルから構成される: 1つは、観測されていない歴史的軌跡を生成する後方予測用、もう1つは、将来の軌跡を予測する前方予測用である。 生成した未観測歴史軌跡が付加ノイズを生じさせる可能性があることを考慮し, 2重ヘッドパラメータ化機構を提案し, 前方拡散過程における雑音のスケールを動的に変調する時間適応ノイズモジュールを設計する。 Diffusion^2は、ETH/UCYとStanford Droneデータセットに対して、新たな最先端の一時的な軌道予測を実証的に設定する。

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)
• EP-Diffuser: An Efficient Diffusion Model for Traffic Scene Generation and Prediction via Polynomial Representations [1.9191778789375846]
  本稿では,EP-Diffuserについて紹介する。EP-Diffuserはパラメータ効率のよい拡散型生成モデルで,交通シーンの進化過程の分布を推定する。 道路レイアウトとエージェント履歴に基づいて,本モデルは予測器として機能し,多種多様なシーン継続を生成する。 EP-Diffuserを2つのSotAモデルと比較し、Argoverse 2データセット上での予測の精度と妥当性を検証した。
  論文  参考訳（メタデータ） (2025-04-07T18:45:49Z)
• C2F-TP: A Coarse-to-Fine Denoising Framework for Uncertainty-Aware Trajectory Prediction [28.462298047242367]
  C2F-TPは不確実性を考慮した車両軌道予測のための粗大きめのデノケーションフレームワークである。 C2F-TPは、2段階の粗大な予測プロセスが革新的である。
  論文  参考訳（メタデータ） (2024-12-17T13:42:49Z)
• ITPNet: Towards Instantaneous Trajectory Prediction for Autonomous Driving [46.17683799762322]
  エージェントの軌道予測は自動運転車の安全性に不可欠である。 従来のアプローチは通常、エージェントの将来の軌道を予測するのに十分な長期の軌道に依存する。 ITPNetと呼ばれる汎用かつプラグアンドプレイの即時軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T10:09:41Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• 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)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)

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。