論文の概要: A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2602.13936v1
• Date: Sun, 15 Feb 2026 00:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.568826
• Title: A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving
• Title（参考訳）: 自律走行における軌道予測のための一般化可能な物理誘導因果モデル
• Authors: Zhenyu Zong, Yuchen Wang, Haohong Lin, Lu Gan, Huajie Shao,
• Abstract要約: 交通機関の軌道予測は安全な自動運転に不可欠である。 我々は、ゼロショット軌道予測能力を高めるために、ドメイン不変の知識を取り入れることを目指している。 これらの課題に対処するため、我々は新しい物理誘導因果モデルを提案する。 実世界の自動運転データセットの実験では、見えない都市において、我々の手法の優れたゼロショット一般化性能が実証されている。
• 参考スコア（独自算出の注目度）: 23.789035557791536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction for traffic agents is critical for safe autonomous driving. However, achieving effective zero-shot generalization in previously unseen domains remains a significant challenge. Motivated by the consistent nature of kinematics across diverse domains, we aim to incorporate domain-invariant knowledge to enhance zero-shot trajectory prediction capabilities. The key challenges include: 1) effectively extracting domain-invariant scene representations, and 2) integrating invariant features with kinematic models to enable generalized predictions. To address these challenges, we propose a novel generalizable Physics-guided Causal Model (PCM), which comprises two core components: a Disentangled Scene Encoder, which adopts intervention-based disentanglement to extract domain-invariant features from scenes, and a CausalODE Decoder, which employs a causal attention mechanism to effectively integrate kinematic models with meaningful contextual information. Extensive experiments on real-world autonomous driving datasets demonstrate our method's superior zero-shot generalization performance in unseen cities, significantly outperforming competitive baselines. The source code is released at https://github.com/ZY-Zong/Physics-guided-Causal-Model.
• Abstract（参考訳）: 交通機関の軌道予測は安全な自動運転に不可欠である。 しかし、それまで目に見えない領域において効果的なゼロショット一般化を達成することは、依然として大きな課題である。 多様な領域にまたがるキネマティクスの一貫性に触発され、ゼロショット軌道予測能力を高めるために、ドメイン不変の知識を取り入れることを目指す。 主な課題は以下のとおりである。 1)ドメイン不変シーン表現を効果的に抽出し、 2) 不変な特徴をキネマティックモデルと統合し、一般化された予測を可能にする。 これらの課題に対処するために,2つのコアコンポーネントからなる新しい一般化可能な物理誘導因果モデル (PCM) を提案する。シーンからドメイン不変の特徴を抽出するために介入に基づくアンタングルを取り入れたDisentangled Scene Encoder と,意味的な文脈情報とキネマティックモデルを効果的に統合するための因果的注意機構を利用するCausalODE Decoder である。 実世界の自律走行データセットに関する大規模な実験は、目に見えない都市において、我々の手法の優れたゼロショット一般化性能を示し、競争力の基盤線を著しく上回っている。 ソースコードはhttps://github.com/ZY-Zong/Physics-guided-Causal-Modelで公開されている。

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)
• ImagiDrive: A Unified Imagination-and-Planning Framework for Autonomous Driving [64.12414815634847]
  ビジョン・ランゲージ・モデル(VLM)とドライビング・ワールド・モデル(DWM)は、この課題のさまざまな側面に対処する強力なレシピとして独立して登場した。 我々は、VLMベースの運転エージェントとDWMベースのシーン想像装置を統合した、新しいエンドツーエンドの自動運転フレームワークであるImagiDriveを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:06:55Z)
• Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling [12.338614299403305]
  軌道生成と軌道予測は自動運転における重要な課題である。 深層学習に基づく手法は、様々な交通シナリオを学習する上で、これらの2つのタスクに大きな可能性を示してきた。 しかし、生成/予測された軌道が物理的に現実的であることを保証するためには、これらの手法が依然として難しい問題である。
  論文  参考訳（メタデータ） (2023-09-17T16:06:38Z)
• CILF:Causality Inspired Learning Framework for Out-of-Distribution Vehicle Trajectory Prediction [0.0]
  軌道予測は自動運転車にとって重要である。 ほとんどの既存手法は、履歴軌跡(インプット)と将来の軌跡(アウトプット)の相関をモデル化する傾向がある
  論文  参考訳（メタデータ） (2023-07-11T05:21:28Z)
• Class-Aware Attention for Multimodal Trajectory Prediction [0.7130302992490973]
  自律運転における多モーダル軌道予測のための新しい枠組みを提案する。 我々のモデルはリアルタイムに動作することができ、300FPSを超える高い推論速度を達成することができる。
  論文  参考訳（メタデータ） (2022-08-31T18:43:23Z)
• 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)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• Causal-based Time Series Domain Generalization for Vehicle Intention Prediction [19.944268567657307]
  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,車両意図予測タスクにおける領域一般化問題に対処することを目的とする。 提案手法は、他の最先端領域の一般化や振る舞い予測手法と比較して、予測精度を一貫して改善する。
  論文  参考訳（メタデータ） (2021-12-03T18:58:07Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。