論文の概要: Multi-Domain Enhanced Map-Free Trajectory Prediction with Selective Attention

• arxiv url: http://arxiv.org/abs/2512.02368v1
• Date: Tue, 02 Dec 2025 03:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.702631
• Title: Multi-Domain Enhanced Map-Free Trajectory Prediction with Selective Attention
• Title（参考訳）: 選択的注意を伴うマルチドメイン拡張マップフリー軌道予測
• Authors: Wenyi Xiong, Jian Chen,
• Abstract要約: 軌道予測は自律運転システムの信頼性と安全性に不可欠である。 既存の手法では、冗長なデータから貴重なシーン情報を効率的に抽出するのに苦労することが多い。 本研究では,時間領域,空間領域,周波数領域にまたがるトラジェクトリ予測を実現する,地図のないトラジェクトリ予測アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.5387540180821615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is crucial for the reliability and safety of autonomous driving systems, yet it remains a challenging task in complex interactive scenarios. Existing methods often struggle to efficiently extract valuable scene information from redundant data, thereby reducing computational efficiency and prediction accuracy, especially when dealing with intricate agent interactions. To address these challenges, we propose a novel map-free trajectory prediction algorithm that achieves trajectory prediction across the temporal, spatial, and frequency domains. Specifically, in temporal information processing, We utilize a Mixture of Experts (MoE) mechanism to adaptively select critical frequency components. Concurrently, we extract these components and integrate multi-scale temporal features. Subsequently, a selective attention module is proposed to filter out redundant information in both temporal sequences and spatial interactions. Finally, we design a multimodal decoder. Under the supervision of patch-level and point-level losses, we obtain reasonable trajectory results. Experiments on Nuscences datasets demonstrate the superiority of our algorithm, validating its effectiveness in handling complex interactive scenarios.
• Abstract（参考訳）: 軌道予測は自律運転システムの信頼性と安全性に不可欠だが、複雑な対話的なシナリオでは難しい課題である。 既存の手法では、冗長なデータから貴重なシーン情報を効率的に抽出し、特に複雑なエージェントインタラクションを扱う場合、計算効率と予測精度を低下させる。 これらの課題に対処するために,時間領域,空間領域,周波数領域をまたいだ軌跡予測を実現する新しい地図自由軌道予測アルゴリズムを提案する。 具体的には、時間情報処理において、Mixture of Experts (MoE) 機構を用いて臨界周波数成分を適応的に選択する。 同時に、これらのコンポーネントを抽出し、マルチスケールの時間的特徴を統合する。 その後、時間的シーケンスと空間的相互作用の両方において冗長な情報をフィルタリングするために、選択的アテンションモジュールを提案する。 最後に,マルチモーダルデコーダを設計する。 パッチレベルの損失とポイントレベルの損失の監視の下で、妥当な軌道結果が得られる。 Nuscencesデータセットの実験は、我々のアルゴリズムの優位性を実証し、複雑な対話シナリオを扱う上での有効性を検証する。

関連論文リスト

• Pedestrian Crossing Intention Prediction Using Multimodal Fusion Network [3.878105750489656]
  歩行者の横断意図予測は、都市環境における自動運転車(AV)の展開に不可欠である。 本稿では,視覚と運動の両方から7つのモダリティ特徴を生かしたマルチモーダル融合ネットワークを提案する。 JAADデータセットの実験では,提案したネットワークの有効性が検証され,ベースライン法よりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2025-11-25T07:18:12Z)
• Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
  本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。 グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
  論文  参考訳（メタデータ） (2024-09-23T11:01:18Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Spatial-Temporal Conv-sequence Learning with Accident Encoding for Traffic Flow Prediction [17.94199362114272]
  インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。 本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。 本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-21T17:43:07Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Robust Trajectory Forecasting for Multiple Intelligent Agents in Dynamic Scene [11.91073327154494]
  動的シーンにおける複数エージェントのロバストな軌道予測手法を提案する。 提案手法は予測精度の点で最先端の予測手法より優れている。
  論文  参考訳（メタデータ） (2020-05-27T02:32:55Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。