論文の概要: Selecting Spots by Explicitly Predicting Intention from Motion History Improves Performance in Autonomous Parking

• arxiv url: http://arxiv.org/abs/2603.04695v1
• Date: Thu, 05 Mar 2026 00:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.919467
• Title: Selecting Spots by Explicitly Predicting Intention from Motion History Improves Performance in Autonomous Parking
• Title（参考訳）: 運動履歴からの意図の明示的予測によるスポット選択による自律駐車の性能向上
• Authors: Long Kiu Chung, David Isele, Faizan M. Tariq, Sangjae Bae, Shreyas Kousik, Jovin D'sa,
• Abstract要約: 移動履歴から他のエージェントがどこに駐車するかを明示的に予測し,駐車場を選択するAVPパイプラインを提案する。 私たちの重要な洞察は、駐車において、運転規制がより怠慢である場合、多様であいまいな長期的な目標を推論するために明確な意図予測が不可欠であるということです。
• 参考スコア（独自算出の注目度）: 6.279944059536994
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many applications of social navigation, existing works have shown that predicting and reasoning about human intentions can help robotic agents make safer and more socially acceptable decisions. In this work, we study this problem for autonomous valet parking (AVP), where an autonomous vehicle ego agent must drop off its passengers, explore the parking lot, find a parking spot, negotiate for the spot with other vehicles, and park in the spot without human supervision. Specifically, we propose an AVP pipeline that selects parking spots by explicitly predicting where other agents are going to park from their motion history using learned models and probabilistic belief maps. To test this pipeline, we build a simulation environment with reactive agents and realistic modeling assumptions on the ego agent, such as occlusion-aware observations, and imperfect trajectory prediction. Simulation experiments show that our proposed method outperforms existing works that infer intentions from future predicted motion or embed them implicitly in end-to-end models, yielding better results in prediction accuracy, social acceptance, and task completion. Our key insight is that, in parking, where driving regulations are more lax, explicit intention prediction is crucial for reasoning about diverse and ambiguous long-term goals, which cannot be reliably inferred from short-term motion prediction alone, but can be effectively learned from motion history.
• Abstract（参考訳）: ソーシャルナビゲーションの多くの応用において、既存の研究は、人間の意図に関する予測と推論が、ロボットエージェントがより安全で社会的に受け入れられる決定を下すのに役立つことを示した。 本研究は, 自律型ベレート駐車(AVP)において, 自動運転車のエゴエージェントが乗客を降ろし, 駐車場を探索し, 駐車場を見つけ, 他車両との交渉を行い, 交通機関の監督なしに駐車場に駐車しなければならない問題について検討する。 具体的には、学習モデルと確率論的信念マップを用いて、他のエージェントが運動履歴から駐車する場所を明示的に予測し、駐車場を選択するAVPパイプラインを提案する。 このパイプラインをテストするために,反応エージェントを用いたシミュレーション環境を構築し,排他的観察や不完全な軌道予測など,エゴエージェントの現実的なモデリング仮定を構築した。 シミュレーション実験により,提案手法は将来の予測動作から意図を推測したり,エンド・ツー・エンドのモデルに暗黙的に組み込んだりすることで,予測精度,社会的受容性,タスク完了性が向上することを示した。 我々の重要な洞察は、駐車において、運転規則がより怠慢である場合、多様で曖昧な長期目標を推論するためには明示的な意図予測が不可欠であり、短期運動予測だけでは確実に推測できないが、運動史から効果的に学べることである。

関連論文リスト

• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Self-Supervised Action-Space Prediction for Automated Driving [0.0]
  本稿では,自動走行のための新しい学習型マルチモーダル軌道予測アーキテクチャを提案する。 学習問題を加速度と操舵角の空間に投入することにより、運動論的に実現可能な予測を実現する。 提案手法は,都市交差点とラウンドアバウトを含む実世界のデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-21T08:27:56Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• End-to-End Interactive Prediction and Planning with Optical Flow Distillation for Autonomous Driving [16.340715765227475]
  本稿では,自律運転のためのエンドツーエンド対話型ニューラルモーションプランナ(INMP)を提案する。 INMPはまず鳥の目線空間で特徴マップを生成し、それを処理して他のエージェントを検出し、インタラクティブな予測と計画を共同で実行します。 また, 実時間推定速度を維持しつつ, ネットワーク性能を効果的に向上できる光フロー蒸留パラダイムを採用している。
  論文  参考訳（メタデータ） (2021-04-18T14:05:18Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
  マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。 本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-03-25T16:09:54Z)

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。