Fugu-MT 論文翻訳(概要): HiMAP: History-aware Map-occupancy Prediction with Fallback

論文の概要: HiMAP: History-aware Map-occupancy Prediction with Fallback

arxiv url: http://arxiv.org/abs/2602.17231v1
Date: Thu, 19 Feb 2026 10:24:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:28.916669
Title: HiMAP: History-aware Map-occupancy Prediction with Fallback
Title（参考訳）: HiMAP: 歴史を意識した地図占有予測とフォールバック
Authors: Yiming Xu, Yi Yang, Hao Cheng, Monika Sester,
Abstract要約: 本報告では,MOT故障時にも信頼性が保たれる予測フレームワークである textbfHiMAP を提案する。 HiMAPは過去の検出を歴史的占領地図に変換し、ラベルのない占領表現からエージェント固有の歴史を検索する。 Argoverse2では、HiMAPのパフォーマンスはIDなしで動作しながらトラッキングベースのメソッドに匹敵する。
参考スコア（独自算出の注目度）: 17.3826007449443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate motion forecasting is critical for autonomous driving, yet most predictors rely on multi-object tracking (MOT) with identity association, assuming that objects are correctly and continuously tracked. When tracking fails due to, e.g., occlusion, identity switches, or missed detections, prediction quality degrades and safety risks increase. We present \textbf{HiMAP}, a tracking-free, trajectory prediction framework that remains reliable under MOT failures. HiMAP converts past detections into spatiotemporally invariant historical occupancy maps and introduces a historical query module that conditions on the current agent state to iteratively retrieve agent-specific history from unlabeled occupancy representations. The retrieved history is summarized by a temporal map embedding and, together with the final query and map context, drives a DETR-style decoder to produce multi-modal future trajectories. This design lifts identity reliance, supports streaming inference via reusable encodings, and serves as a robust fallback when tracking is unavailable. On Argoverse~2, HiMAP achieves performance comparable to tracking-based methods while operating without IDs, and it substantially outperforms strong baselines in the no-tracking setting, yielding relative gains of 11\% in FDE, 12\% in ADE, and a 4\% reduction in MR over a fine-tuned QCNet. Beyond aggregate metrics, HiMAP delivers stable forecasts for all agents simultaneously without waiting for tracking to recover, highlighting its practical value for safety-critical autonomy. The code is available under: https://github.com/XuYiMing83/HiMAP.
Abstract（参考訳）: 正確な動き予測は自律走行には不可欠であるが、ほとんどの予測器は、物体が正しく連続的に追跡されていると仮定して、同一性を持つ多目的追跡(MOT)に依存している。追跡が失敗すると、例えば、オクルージョン、アイデンティティスイッチ、またはエラー検出によって、予測品質が低下し、安全性のリスクが増大する。我々はMOT故障下でも信頼性が保たれるトラッキングフリーなトラジェクトリ予測フレームワークである \textbf{HiMAP} を提案する。 HiMAPは過去の検出を時空間不変の歴史的占有マップに変換し、現在のエージェント状態に条件を定め、ラベルのない占有表現からエージェント固有の歴史を反復的に検索する履歴クエリーモジュールを導入する。検索した履歴は、時間マップの埋め込みによって要約され、最後のクエリとマップコンテキストと共に、DETRスタイルのデコーダを駆動して、マルチモーダルな将来の軌跡を生成する。この設計はアイデンティティの信頼性を高め、再利用可能なエンコーディングによるストリーミング推論をサポートし、追跡が不可能な場合には堅牢なフォールバックとして機能する。 Argoverse~2では、HIMAPはIDなしで動作しながらトラッキングベースの手法に匹敵するパフォーマンスを達成し、追跡なし環境では強力なベースラインを著しく上回り、FDEでは11倍、ADEでは12倍、QCNetでは4倍のMRが減少する。総合的な指標の他に、HiMAPはトラッキングの回復を待つことなく、すべてのエージェントに対して安定した予測を同時に提供し、安全クリティカルな自律性に対する実用的価値を強調している。コードは、https://github.com/XuYiMing83/HiMAP.comで入手できる。

関連論文リスト

PredMapNet: Future and Historical Reasoning for Consistent Online HD Vectorized Map Construction [8.142552362749655]
高精細(HD)マップは自動運転に不可欠であり、ナビゲーションと計画を支援するために道路要素の構造的表現を提供する。本稿では,一貫したオンラインHDベクトル化マップ構築のための新しいエンドツーエンドフレームワークを提案する。提案手法は, 最先端(SOTA)の手法よりも効率よく性能を向上する。
論文参考訳（メタデータ） (2026-02-18T18:08:26Z)
UncTrack: Reliable Visual Object Tracking with Uncertainty-Aware Prototype Memory Network [75.9933952886197]
UncTrackは、標的位置の不確実性を予測する新しい不確実性対応トランスフォーマーである。本手法は実験における他の最先端手法よりも優れる。
論文参考訳（メタデータ） (2025-03-17T07:33:16Z)
HisTrackMap: Global Vectorized High-Definition Map Construction via History Map Tracking [24.21124150354725]
本稿では,地図要素の履歴軌跡を時間的に追跡することで,新たなエンドツーエンド追跡フレームワークのグローバルマップ構築を提案する。このトラッキングフレームワーク内にMap-Trajectory Prior Fusionモジュールを導入し、追跡されたインスタンスの過去の事前情報を活用して、時間的滑らかさと連続性を改善する。 nuScenesとArgoverse2データセットに関する実質的な実験により、提案手法は、単一フレームおよび時間メトリクスの両方において、最先端(SOTA)メソッドよりも優れていることが示された。
論文参考訳（メタデータ） (2025-03-10T10:44:43Z)
HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
HPNetは、新しい動的軌道予測手法である。逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
論文参考訳（メタデータ） (2024-04-09T14:42:31Z)
RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
論文参考訳（メタデータ） (2024-03-28T08:54:40Z)
MapTracker: Tracking with Strided Memory Fusion for Consistent Vector HD Mapping [21.5611219371754]
本稿では,このマッピングをトラッキングタスクとして定式化し,メモリラテント履歴を用いて時間とともに一貫した再構成を行うベクトルHDマッピングアルゴリズムを提案する。 MapTrackerは、nuScenesとAgroverse2の両方のデータセットの既存のメソッドを、従来のメトリクスと新しい一貫性を意識したメトリクスでそれぞれ8%と19%以上上回っている。
論文参考訳（メタデータ） (2024-03-23T23:05:25Z)
Uncertainty-aware Unsupervised Multi-Object Tracking [33.53331700312752]
教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
論文参考訳（メタデータ） (2023-07-28T09:03:06Z)
GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文参考訳（メタデータ） (2022-11-04T16:10:50Z)

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。