論文の概要: SemAgent: Semantic-Driven Agentic AI Empowered Trajectory Prediction in Vehicular Networks

• arxiv url: http://arxiv.org/abs/2512.00834v1
• Date: Sun, 30 Nov 2025 11:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.442571
• Title: SemAgent: Semantic-Driven Agentic AI Empowered Trajectory Prediction in Vehicular Networks
• Title（参考訳）: SemAgent: セマンティック駆動型エージェントAIを用いたVehicular Networkにおける軌道予測
• Authors: Lin Zhu, Kezhi Wang, Luping Xiang, Kun Yang,
• Abstract要約: 本稿では,車載環境における予測性能を高めるために,エージェントAIとのセマンティックコミュニケーションを統合した軌道予測フレームワークを提案する。 車両間通信(V2I)において、道路側ユニット(RSU)の機能抽出エージェントは、歴史的車両軌跡からコンパクトな表現を導出し、続いて意味分析エージェントによって意味論的推論を行う。 RSUは、特徴表現とセマンティックインサイトの両方をセマンティック通信を介して対象車両に送信し、受信したセマンティックスと自身の履歴データを組み合わせることで、将来の軌跡を予測する。
• 参考スコア（独自算出の注目度）: 26.85167428129155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient information exchange and reliable contextual reasoning are essential for vehicle-to-everything (V2X) networks. Conventional communication schemes often incur significant transmission overhead and latency, while existing trajectory prediction models generally lack environmental perception and logical inference capabilities. This paper presents a trajectory prediction framework that integrates semantic communication with Agentic AI to enhance predictive performance in vehicular environments. In vehicle-to-infrastructure (V2I) communication, a feature-extraction agent at the Roadside Unit (RSU) derives compact representations from historical vehicle trajectories, followed by semantic reasoning performed by a semantic-analysis agent. The RSU then transmits both feature representations and semantic insights to the target vehicle via semantic communication, enabling the vehicle to predict future trajectories by combining received semantics with its own historical data. In vehicle-to-vehicle (V2V) communication, each vehicle performs local feature extraction and semantic analysis while receiving predicted trajectories from neighboring vehicles, and jointly utilizes this information for its own trajectory prediction. Extensive experiments across diverse communication conditions demonstrate that the proposed method significantly outperforms baseline schemes, achieving up to a 47.5% improvement in prediction accuracy under low signal-to-noise ratio (SNR) conditions.
• Abstract（参考訳）: 車両間通信(V2X)ネットワークにおいて、効率的な情報交換と信頼性のあるコンテキスト推論が不可欠である。 従来の通信方式ではトランスミッションのオーバーヘッドと遅延がかなり大きいが、既存の軌道予測モデルは一般に環境認識や論理推論能力に欠ける。 本稿では,車載環境における予測性能を高めるために,エージェントAIとのセマンティックコミュニケーションを統合した軌道予測フレームワークを提案する。 車両間通信(V2I)において、道路側ユニット(RSU)の機能抽出エージェントは、歴史的車両軌跡からコンパクトな表現を導出し、続いて意味分析エージェントによって意味論的推論を行う。 RSUは、特徴表現とセマンティックインサイトの両方をセマンティック通信を介して対象車両に送信し、受信したセマンティックスと自身の履歴データを組み合わせることで、将来の軌跡を予測する。 車両間(V2V)通信において、各車両は、隣接する車両からの予測軌道を受信しながら、局所特徴抽出と意味解析を行い、この情報を独自の軌道予測に共同で利用する。 多様な通信条件における広範囲な実験により,提案手法はベースライン方式を著しく上回り,低信号-雑音比(SNR)条件下での予測精度を47.5%向上させることができた。

関連論文リスト

• Knowledge-Informed Multi-Agent Trajectory Prediction at Signalized Intersections for Infrastructure-to-Everything [7.452533291998081]
  我々は、I2X(Infrastructure-to-Everything)協調予測スキームを導入する。 このスキームでは、ロードサイドユニット(RSU)は独立して全ての車両の将来の軌跡を予測する。 我々は,専用インフラストラクチャベースの軌道予測モデルであるI2XTrajを提案する。
  論文  参考訳（メタデータ） (2025-01-23T08:23:45Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Scenario-Transferable Semantic Graph Reasoning for Interaction-Aware Probabilistic Prediction [29.623692599892365]
  交通参加者の行動の正確な予測は、自動運転車にとって必須の能力である。 本稿では, セマンティクスとドメイン知識を活かして, 様々な運転環境に対する新しい汎用表現を提案する。
  論文  参考訳（メタデータ） (2020-04-07T00:34:36Z)
• A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
  本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。 各車両のマルチモーダル状態情報がモデル入力として使用される。 モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
  論文  参考訳（メタデータ） (2020-03-07T01:23:20Z)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。