論文の概要: V2X-RECT: An Efficient V2X Trajectory Prediction Framework via Redundant Interaction Filtering and Tracking Error Correction

• arxiv url: http://arxiv.org/abs/2511.17941v1
• Date: Sat, 22 Nov 2025 06:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.53021
• Title: V2X-RECT: An Efficient V2X Trajectory Prediction Framework via Redundant Interaction Filtering and Tracking Error Correction
• Title（参考訳）: V2X-RECT:冗長干渉フィルタと追跡誤差補正による効率的なV2X軌道予測フレームワーク
• Authors: Xiangyan Kong, Xuecheng Wu, Xiongwei Zhao, Xiaodong Li, Yunyun Shi, Gang Wang, Dingkang Yang, Yang Liu, Hong Chen, Yulong Gao,
• Abstract要約: V2X-RECTは高密度環境向けに設計された軌道予測フレームワークである。 データアソシエーションの一貫性を高め、冗長なインタラクションを減らし、履歴情報を再利用して、より効率的で正確な予測を可能にする。
• 参考スコア（独自算出の注目度）: 30.222991833643785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: V2X prediction can alleviate perception incompleteness caused by limited line of sight through fusing trajectory data from infrastructure and vehicles, which is crucial to traffic safety and efficiency. However, in dense traffic scenarios, frequent identity switching of targets hinders cross-view association and fusion. Meanwhile, multi-source information tends to generate redundant interactions during the encoding stage, and traditional vehicle-centric encoding leads to large amounts of repetitive historical trajectory feature encoding, degrading real-time inference performance. To address these challenges, we propose V2X-RECT, a trajectory prediction framework designed for high-density environments. It enhances data association consistency, reduces redundant interactions, and reuses historical information to enable more efficient and accurate prediction. Specifically, we design a multi-source identity matching and correction module that leverages multi-view spatiotemporal relationships to achieve stable and consistent target association, mitigating the adverse effects of mismatches on trajectory encoding and cross-view feature fusion. Then we introduce traffic signal-guided interaction module, encoding trend of traffic light changes as features and exploiting their role in constraining spatiotemporal passage rights to accurately filter key interacting vehicles, while capturing the dynamic impact of signal changes on interaction patterns. Furthermore, a local spatiotemporal coordinate encoding enables reusable features of historical trajectories and map, supporting parallel decoding and significantly improving inference efficiency. Extensive experimental results across V2X-Seq and V2X-Traj datasets demonstrate that our V2X-RECT achieves significant improvements compared to SOTA methods, while also enhancing robustness and inference efficiency across diverse traffic densities.
• Abstract（参考訳）: V2X予測は、交通安全と効率に不可欠なインフラや車両からの軌跡データを融合することで、限られた視線による認識の不完全性を軽減することができる。 しかし、密集した交通シナリオでは、ターゲットの頻繁な同一性スイッチングは、クロスビューアソシエーションと融合を妨げる。 一方、マルチソース情報は符号化段階で冗長な相互作用を発生させる傾向があり、従来の車両中心の符号化は、大量の繰り返し履歴軌道特徴符号化、リアルタイム推論性能の低下につながる。 これらの課題に対処するために,高密度環境向けに設計された軌道予測フレームワークであるV2X-RECTを提案する。 データアソシエーションの一貫性を高め、冗長なインタラクションを減らし、履歴情報を再利用して、より効率的で正確な予測を可能にする。 具体的には、複数視点の時空間関係を利用して、安定かつ一貫した目標アソシエーションを実現するマルチソースIDマッチングと修正モジュールを設計し、軌道符号化とクロスビュー特徴融合に対するミスマッチの悪影響を緩和する。 次に,交通信号誘導通信モジュールを導入し,信号信号の変動の傾向を特徴としてエンコードし,時空間通過権の制限にその役割を生かし,信号の変動が相互作用パターンに与える影響を正確にフィルタする。 さらに、局所時空間座標符号化により、履歴トラジェクトリとマップの再利用が可能となり、並列デコードをサポートし、推論効率を大幅に向上する。 V2X-SeqおよびV2X-Trajデータセットの大規模な実験結果から、当社のV2X-RECTは、SOTA法よりも大幅に改善され、また、多様なトラフィック密度にわたる堅牢性と推論効率が向上することが示された。

関連論文リスト

• Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
  STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。 このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:26:56Z)
• CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
  本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。 まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。 分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
  論文  参考訳（メタデータ） (2024-11-25T07:56:13Z)
• Graph Attention Network for Lane-Wise and Topology-Invariant Intersection Traffic Simulation [8.600701437207725]
  交差点に対する2つの効率的かつ正確な「デジタルツイン」モデルを提案する。 これらのデジタルツインは、交差点内の交通の時間的、空間的、文脈的な側面を捉えている。 本研究の応用は、車線再構成、運転行動分析、交差点の安全性と効率向上に関する情報決定の促進まで及んでいる。
  論文  参考訳（メタデータ） (2024-04-11T03:02:06Z)
• Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
  本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。 このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。 我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
  論文  参考訳（メタデータ） (2023-09-05T06:28:13Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• DynSTGAT: Dynamic Spatial-Temporal Graph Attention Network for Traffic Signal Control [19.0913165219654]
  適応的な交通信号制御は、スマートシティの構築において重要な役割を果たす。 本研究では、動的履歴状態を新しい時空間グラフアテンションネットワークに統合するDynSTGATという新しいニューラルネットワークフレームワークを提案する。 本手法は,最先端の手法に対して,旅行時間とスループットにおいて優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2021-09-12T11:27:27Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。