論文の概要: Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling

• arxiv url: http://arxiv.org/abs/2603.01864v1
• Date: Mon, 02 Mar 2026 13:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.893909
• Title: Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling
• Title（参考訳）: エンドポイント・アウェア・モデリングを用いたリアルタイム軌道予測
• Authors: Alexander Prutsch, David Schinagl, Horst Possegger,
• Abstract要約: 近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
• 参考スコア（独自算出の注目度）: 54.94692733670454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future trajectories of neighboring traffic agents have a significant influence on the path planning and decision-making of autonomous vehicles. While trajectory forecasting is a well-studied field, research mainly focuses on snapshot-based prediction, where each scenario is treated independently of its global temporal context. However, real-world autonomous driving systems need to operate in a continuous setting, requiring real-time processing of data streams with low latency and consistent predictions over successive timesteps. We leverage this continuous setting to propose a lightweight yet highly accurate streaming-based trajectory forecasting approach. We integrate valuable information from previous predictions with a novel endpoint-aware modeling scheme. Our temporal context propagation uses the trajectory endpoints of the previous forecasts as anchors to extract targeted scenario context encodings. Our approach efficiently guides its scene encoder to extract highly relevant context information without needing refinement iterations or segment-wise decoding. Our experiments highlight that our approach effectively relays information across consecutive timesteps. Unlike methods using multi-stage refinement processing, our approach significantly reduces inference latency, making it well-suited for real-world deployment. We achieve state-of-the-art streaming trajectory prediction results on the Argoverse~2 multi-agent and single-agent benchmarks, while requiring substantially fewer resources.
• Abstract（参考訳）: 近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 軌道予測はよく研究されている分野であるが、主にスナップショットに基づく予測に焦点を当てており、それぞれのシナリオはグローバルな時間的文脈とは独立して扱われる。 しかし、現実の自律運転システムは連続した環境で動作し、低レイテンシでデータストリームをリアルタイムに処理し、連続したタイムステップで一貫した予測を必要とする。 この連続的な設定を利用して、軽量で高精度なストリーミングベースの軌道予測手法を提案する。 従来の予測から得られた貴重な情報を新しいエンドポイント対応モデリング手法と統合する。 我々の時間的文脈伝搬は、過去の予測の軌跡をアンカーとして使用し、ターゲットのシナリオコンテキストエンコーディングを抽出する。 提案手法は,シーンエンコーダを効率よく誘導し,改良イテレーションやセグメントワイドデコーディングを必要とせず,関連性の高いコンテキスト情報を抽出する。 我々の実験は、我々の手法が連続した時間経過で効果的に情報を中継できることを強調した。 マルチステージリファインメント処理の手法とは異なり,本手法は推論遅延を大幅に低減し,実環境への展開に適している。 我々はArgoverse~2のマルチエージェントとシングルエージェントのベンチマークで最先端のストリーミングトラジェクトリ予測結果を得るが、リソースは大幅に少ない。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Improving Consistency in Vehicle Trajectory Prediction Through Preference Optimization [4.506411269983418]
  軌道予測は、自動運転車のパイプラインにおいて不可欠なステップである。 現在のディープラーニングベースの軌道予測モデルは、公開データセット上で優れた精度を達成することができる。 選好最適化を用いたマルチエージェント設定における微調整軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-03T07:59:49Z)
• TrajFlow: Multi-modal Motion Prediction via Flow Matching [29.274577509291973]
  本稿では,新しいフローマッチングに基づく動き予測フレームワークであるTrajFlowを紹介する。 TrajFlowは1回のパスで複数の可算な将来の軌跡を予測し、計算オーバーヘッドを大幅に削減する。 さまざまな主要なメトリクスにわたって最先端のパフォーマンスを達成し、安全クリティカルな自動運転アプリケーションの有効性を裏付ける。
  論文  参考訳（メタデータ） (2025-06-10T08:08:31Z)
• Multi-agent Traffic Prediction via Denoised Endpoint Distribution [23.767783008524678]
  高速での軌道予測には歴史的特徴と周囲の物体との相互作用が必要である。 軌道予測のためのDenoized Distributionモデルを提案する。 我々のアプローチは、エンドポイント情報によるモデルの複雑さとパフォーマンスを著しく削減します。
  論文  参考訳（メタデータ） (2024-05-11T15:41:32Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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。