論文の概要: PlanTRansformer: Unified Prediction and Planning with Goal-conditioned Transformer

• arxiv url: http://arxiv.org/abs/2602.03376v1
• Date: Tue, 03 Feb 2026 10:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.400122
• Title: PlanTRansformer: Unified Prediction and Planning with Goal-conditioned Transformer
• Title（参考訳）: PlanTRansformer: ゴール条件変圧器による統一予測と計画
• Authors: Constantin Selzer, Fabina B. Flohr,
• Abstract要約: 軌道予測と計画は、自律運転における基本的だが非連結な要素である。 Plan TRansformer (PTR) はゴール条件付き予測、動的実現性、相互作用認識、レーンレベルのトポロジ推論を統合している。 PTRは、ベースラインのモーショントランス (MTR) と比較して4.3%/3.5%改善し、GameFormer に比べて5s水平線で15.5%の計画誤差削減を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction and planning are fundamental yet disconnected components in autonomous driving. Prediction models forecast surrounding agent motion under unknown intentions, producing multimodal distributions, while planning assumes known ego objectives and generates deterministic trajectories. This mismatch creates a critical bottleneck: prediction lacks supervision for agent intentions, while planning requires this information. Existing prediction models, despite strong benchmarking performance, often remain disconnected from planning constraints such as collision avoidance and dynamic feasibility. We introduce Plan TRansformer (PTR), a unified Gaussian Mixture Transformer framework integrating goal-conditioned prediction, dynamic feasibility, interaction awareness, and lane-level topology reasoning. A teacher-student training strategy progressively masks surrounding agent commands during training to align with inference conditions where agent intentions are unavailable. PTR achieves 4.3%/3.5% improvement in marginal/joint mAP compared to the baseline Motion Transformer (MTR) and 15.5% planning error reduction at 5s horizon compared to GameFormer. The architecture-agnostic design enables application to diverse Transformer-based prediction models. Project Website: https://github.com/SelzerConst/PlanTRansformer
• Abstract（参考訳）: 軌道予測と計画は、自律運転における基本的だが非連結な要素である。 予測モデルは、未知の意図の下でエージェントの動きを予測し、マルチモーダル分布を生成し、計画は既知のエゴ目標を仮定し、決定論的軌道を生成する。 このミスマッチは、予測にはエージェントの意図の監督が欠けている一方で、計画にはこのような情報が必要であるという、重大なボトルネックを生み出します。 既存の予測モデルは、強いベンチマーク性能にもかかわらず、衝突回避や動的実現可能性といった計画上の制約から切り離されていることが多い。 PTR(Plan TRansformer)はゴール条件付き予測、動的実現性、相互作用認識、レーンレベルのトポロジ推論を統合したガウス混合変換フレームワークである。 教師-学生訓練戦略は、訓練中のエージェント命令を取り巻くエージェント命令を徐々に隠蔽し、エージェント意図が利用できない推論条件と整合させる。 PTRは、ベースラインのモーショントランス (MTR) と比較して4.3%/3.5%改善し、GameFormer に比べて5s水平線で15.5%の計画誤差削減を実現している。 アーキテクチャに依存しない設計により、様々なTransformerベースの予測モデルに応用できる。 Project Website: https://github.com/SelzerConst/PlanTRansformer

関連論文リスト

• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• ScePT: Scene-consistent, Policy-based Trajectory Predictions for Planning [32.71073060698739]
  軌道予測は、制御されていないエージェントと環境を共有する自律システムにとって重要である。 政策計画に基づく軌道予測モデルであるScePTを提案する。 明示的にシーンの一貫性を強制し、条件付き予測に使用できるエージェントインタラクションポリシーを学ぶ。
  論文  参考訳（メタデータ） (2022-06-18T00:00:02Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
  本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。 本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
  論文  参考訳（メタデータ） (2022-04-05T17:58:18Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。