論文の概要: DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration

• arxiv url: http://arxiv.org/abs/2602.11214v1
• Date: Wed, 11 Feb 2026 08:59:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.454802
• Title: DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration
• Title（参考訳）: DD-MDN:拡散型二重混合密度ネットワークと不確かさ自己校正による人軌道予測
• Authors: Manuel Hetzel, Kerim Turacan, Hannes Reichert, Konrad Doll, Bernhard Sick,
• Abstract要約: HTF(Human Trajectory Forecasting)は、過去の軌跡や環境状況から将来の人間の動きを予測する。 DD-MDNは,高位置精度,校正不確実性,短時間の観測に頑健性を組み合わせた,エンドツーエンドの確率的HTFモデルである。 ETH/UCY、SDD、inD、IMPTCデータセットの実験では、最先端の精度、短い観測間隔での堅牢性、信頼性のある不確実性モデリングが示されている。
• 参考スコア（独自算出の注目度）: 7.946001746395269
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Human Trajectory Forecasting (HTF) predicts future human movements from past trajectories and environmental context, with applications in Autonomous Driving, Smart Surveillance, and Human-Robot Interaction. While prior work has focused on accuracy, social interaction modeling, and diversity, little attention has been paid to uncertainty modeling, calibration, and forecasts from short observation periods, which are crucial for downstream tasks such as path planning and collision avoidance. We propose DD-MDN, an end-to-end probabilistic HTF model that combines high positional accuracy, calibrated uncertainty, and robustness to short observations. Using a few-shot denoising diffusion backbone and a dual mixture density network, our method learns self-calibrated residence areas and probability-ranked anchor paths, from which diverse trajectory hypotheses are derived, without predefined anchors or endpoints. Experiments on the ETH/UCY, SDD, inD, and IMPTC datasets demonstrate state-of-the-art accuracy, robustness at short observation intervals, and reliable uncertainty modeling. The code is available at: https://github.com/kav-institute/ddmdn.
• Abstract（参考訳）: HTF(Human Trajectory Forecasting)は、自律運転、スマートサーベイランス、人間とロボットのインタラクションなど、過去の軌跡や環境状況から将来の人間の動きを予測する。 これまでの研究は正確性、社会的相互作用のモデリング、多様性に重点を置いてきたが、経路計画や衝突回避といった下流業務において重要な、短い観測期間からの不確実性モデリング、校正、予測にはほとんど注意が払われていない。 DD-MDNは,高位置精度,校正不確実性,短時間の観測に頑健性を組み合わせた,エンドツーエンドの確率的HTFモデルである。 拡散バックボーンと2重混合密度ネットワークを用いて,事前定義されたアンカーや終端を使わずに,様々な軌道仮説を導出する自己校正された居住領域と確率ランクアンカー経路を学習する。 ETH/UCY、SDD、inD、IMPTCデータセットの実験では、最先端の精度、短い観測間隔での堅牢性、信頼性のある不確実性モデリングが示されている。 コードは、https://github.com/kav-institute/ddmdn.comで入手できる。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Unified Uncertainty-Aware Diffusion for Multi-Agent Trajectory Modeling [13.993231805213354]
  U2Diff(英語版)は、軌道の完備化を扱うために設計された、テキストを融合した拡散モデルである。 また、後処理にランクニューラルネットワークを導入し、生成されたモード毎にtextbferror の確率推定を可能にする。 本手法は,4つの挑戦的スポーツデータセットの軌跡完了と予測において,最先端のソリューションよりも優れる。
  論文  参考訳（メタデータ） (2025-03-24T11:46:58Z)
• Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
  車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。 本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。 自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
  論文  参考訳（メタデータ） (2024-10-09T14:08:39Z)
• Uncertainty-aware Human Mobility Modeling and Anomaly Detection [24.22648449430148]
  生のGPSデータを連続的静止点イベントとしてモデル化した人間の行動における異常検出を定式化する。 提案したモデルUSTADとアレータティック不確実性推定を併用する。 実験の結果,USTADは産業規模データのベースライン以上でAUCROCの異常検出を3%-15%改善することがわかった。
  論文  参考訳（メタデータ） (2024-10-02T06:57:08Z)
• Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture [17.78048571619575]
  安全と堅牢性は、信頼できる自動運転車を開発する上で重要な要素である。 本研究では,1つの移動物体に対する将来の軌跡の分布を記述する生成モデルSeNeVAを提案する。 提案手法は,不確実性を定量化し,競争性能を向上しつつ,アウト・オブ・ディストリビューションデータを識別することができる。
  論文  参考訳（メタデータ） (2024-04-04T20:04:12Z)
• GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
  マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。 2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。 実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2023-11-25T03:55:06Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。