論文の概要: X-TRACK: Physics-Aware xLSTM for Realistic Vehicle Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2511.00266v1
• Date: Fri, 31 Oct 2025 21:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.701766
• Title: X-TRACK: Physics-Aware xLSTM for Realistic Vehicle Trajectory Prediction
• Title（参考訳）: X-TRACK:実車軌道予測のための物理対応xLSTM
• Authors: Aanchal Rajesh Chugh, Marion Neumeier, Sebastian Dorn,
• Abstract要約: 本稿では,新しいXLSTMに基づく車両軌道予測フレームワークであるX-TRAJとその物理対応型であるX-TRACKを紹介する。 物理的制約を導入することで、提案モデルは現実的で実現可能な軌道を生成する。 高DおよびNGSIMデータセットの包括的な評価は、X-TRACKが最先端のベースラインより優れていることを示している。
• 参考スコア（独自算出の注目度）: 3.7010095526344213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in Recurrent Neural Network (RNN) architectures, particularly the Extended Long Short Term Memory (xLSTM), have addressed the limitations of traditional Long Short Term Memory (LSTM) networks by introducing exponential gating and enhanced memory structures. These improvements make xLSTM suitable for time-series prediction tasks as they exhibit the ability to model long-term temporal dependencies better than LSTMs. Despite their potential, these xLSTM-based models remain largely unexplored in the context of vehicle trajectory prediction. Therefore, this paper introduces a novel xLSTM-based vehicle trajectory prediction framework, X-TRAJ, and its physics-aware variant, X-TRACK (eXtended LSTM for TRAjectory prediction Constraint by Kinematics), which explicitly integrates vehicle motion kinematics into the model learning process. By introducing physical constraints, the proposed model generates realistic and feasible trajectories. A comprehensive evaluation on the highD and NGSIM datasets demonstrates that X-TRACK outperforms state-of-the-art baselines.
• Abstract（参考訳）: Recurrent Neural Network(RNN)アーキテクチャの最近の進歩、特にExtended Long Short Term Memory(xLSTM)は、指数的ゲーティングと拡張メモリ構造を導入して従来のLong Short Term Memory(LSTM)ネットワークの限界に対処している。 これらの改善により、xLSTMは時系列予測タスクに適しており、LSTMよりも長期の時間依存性をモデル化できる。 その可能性にもかかわらず、これらのxLSTMベースのモデルは、車両軌道予測の文脈では、ほとんど探索されていない。 そこで本研究では,XLSTMに基づく車両軌道予測フレームワークであるX-TRAJとその物理対応型であるX-TRACK(eXtended LSTM for TRAjectory Prediction Constraint by Kinematics)を提案する。 物理的制約を導入することで、提案モデルは現実的で実現可能な軌道を生成する。 高DおよびNGSIMデータセットの包括的な評価は、X-TRACKが最先端のベースラインより優れていることを示している。

関連論文リスト

• Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems [3.2773853185159734]
  単一モデルアプローチは、トラフィックフローデータにおける複雑で非線形で多スケールの時間パターンを捉えるのに失敗することが多い。 そこで本研究では,Loess を用いた季節トレンド分解を統合した分解駆動型ハイブリッドフレームワークを提案する。 2015年11月から12月にかけて、ニューヨーク市の交差点で発生した998件の交通量記録を用いて、LSTM ARIMA XGBoostハイブリッドモデルは、スタンドアローンモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-26T15:54:48Z)
• StoxLSTM: A Stochastic Extended Long Short-Term Memory Network for Time Series Forecasting [20.120876019697445]
  拡張長短期記憶(exended Long Short-Term Memory, xLSTM)ネットワークは、様々な時系列アプリケーションにおいて複雑な時間的依存関係をモデル化する能力の強化により、広く研究の関心を集めている。 我々はxLSTMと呼ばれるxLSTMを提案し、xLSTM内に潜伏変数を組み込むことで、元のアーキテクチャを状態空間モデリングフレームワークに改良する。 複数の研究コミュニティから公開されているベンチマークデータセットの実験では、StoxLSTMは、より堅牢でより強力な一般化能力を備えた最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-01T07:11:05Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• 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)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
  我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。 トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。 また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
  論文  参考訳（メタデータ） (2020-05-24T00:17:15Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。