論文の概要: Uncertainty-Aware Diffusion Model for Multimodal Highway Trajectory Prediction via DDIM Sampling

• arxiv url: http://arxiv.org/abs/2602.21319v1
• Date: Tue, 24 Feb 2026 19:40:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.587073
• Title: Uncertainty-Aware Diffusion Model for Multimodal Highway Trajectory Prediction via DDIM Sampling
• Title（参考訳）: DDIMサンプリングによるマルチモーダルハイウェイ軌道予測の不確実性を考慮した拡散モデル
• Authors: Marion Neumeier, Niklas Roßberg, Michael Botsch, Wolfgang Utschick,
• Abstract要約: cVMDxは拡散に基づく軌道予測フレームワークで、効率、堅牢性、マルチモーダル予測能力を改善する。 DDIMサンプリングは推測時間の最大100倍の削減を実現し、不確実性推定のための実用的なマルチサンプル生成を可能にする。 実験により、cVMDxはcVMDよりも精度が高く、効率が大幅に向上し、完全なマルチモーダル軌道予測が可能となった。
• 参考スコア（独自算出の注目度）: 14.988778271653038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and uncertainty-aware trajectory prediction remains a core challenge for autonomous driving, driven by complex multi-agent interactions, diverse scene contexts and the inherently stochastic nature of future motion. Diffusion-based generative models have recently shown strong potential for capturing multimodal futures, yet existing approaches such as cVMD suffer from slow sampling, limited exploitation of generative diversity and brittle scenario encodings. This work introduces cVMDx, an enhanced diffusion-based trajectory prediction framework that improves efficiency, robustness and multimodal predictive capability. Through DDIM sampling, cVMDx achieves up to a 100x reduction in inference time, enabling practical multi-sample generation for uncertainty estimation. A fitted Gaussian Mixture Model further provides tractable multimodal predictions from the generated trajectories. In addition, a CVQ-VAE variant is evaluated for scenario encoding. Experiments on the publicly available highD dataset show that cVMDx achieves higher accuracy and significantly improved efficiency over cVMD, enabling fully stochastic, multimodal trajectory prediction.
• Abstract（参考訳）: 精度と不確実性を考慮した軌道予測は、複雑なマルチエージェント相互作用、多様なシーンコンテキスト、そして本質的に確率的な将来の動きによって駆動される自律運転のコア課題であり続けている。 拡散に基づく生成モデルは、最近、マルチモーダルな未来を捉える強力な可能性を示しているが、cVMDのような既存のアプローチは、サンプリングの遅さ、生成の多様性の限定的利用、および脆いシナリオエンコーディングに悩まされている。 この研究は、効率、堅牢性、マルチモーダル予測能力を改善する拡張拡散に基づく軌道予測フレームワークであるcVMDxを導入している。 DDIMサンプリングにより、cVMDxは100倍の推論時間を短縮し、不確実性推定のための実用的なマルチサンプル生成を可能にする。 適合したガウス混合モデルはさらに、生成された軌跡から抽出可能なマルチモーダル予測を提供する。 また,シナリオ符号化のためにCVQ-VAEの変種を評価する。 公開されている高次元データセットの実験により、cVMDxはcVMDよりも精度が高く、効率が大幅に向上し、完全に確率的でマルチモーダルな軌道予測が可能となった。

関連論文リスト

• Collaborative-Distilled Diffusion Models (CDDM) for Accelerated and Lightweight Trajectory Prediction [14.108460337857645]
  軌道予測は自律走行車(AV)とインテリジェントトランスポーテーションシステム(ITS)の基本課題である 拡散モデルは最近、確率的軌道予測において強い性能を示した。 本稿では, リアルタイムかつ軽量な軌道予測手法であるCDDMを提案する。
  論文  参考訳（メタデータ） (2025-10-01T08:00:31Z)
• Multimodal Latent Language Modeling with Next-Token Diffusion [111.93906046452125]
  マルチモーダル生成モデルは、離散データ(テキストやコードなど)と連続データ(画像、オーディオ、ビデオなど)の両方を扱う統一的なアプローチを必要とする。 因果変換器を用いて連続データと離散データをシームレスに統合する潜在言語モデリング(LatentLM)を提案する。
  論文  参考訳（メタデータ） (2024-12-11T18:57:32Z)
• 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)
• DICE: Diverse Diffusion Model with Scoring for Trajectory Prediction [7.346307332191997]
  本稿では,拡散モデルを用いて将来の軌跡を計算的に効率的に予測するフレームワークを提案する。 提案手法は, 試料軌道数を最大化し, 精度を向上させるための効率的なサンプリング機構である。 本研究では,一般歩行者(UCY/ETH)と自律走行(nuScenes)のベンチマークデータを用いて,経験的評価を行うことによるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-23T05:04:23Z)
• Diffusion Glancing Transformer for Parallel Sequence to Sequence Learning [52.72369034247396]
  モーダリティ拡散プロセスと残差グランシングサンプリングを併用した拡散グランシング変換器を提案する。 DIFFGLATは、自己回帰モデルと非自己回帰モデルの両方と比較して、高速な復号速度を維持しながら、より優れた生成精度を実現する。
  論文  参考訳（メタデータ） (2022-12-20T13:36:25Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Variational Dynamic Mixtures [18.730501689781214]
  逐次潜伏変数を推定するための変分動的混合(VDM)を開発した。 実証実験により、VDMは、高マルチモーダルデータセットにおける競合するアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-20T16:10:07Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。