論文の概要: A prior information informed learning architecture for flying trajectory prediction

• arxiv url: http://arxiv.org/abs/2603.06863v1
• Date: Fri, 06 Mar 2026 20:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.285426
• Title: A prior information informed learning architecture for flying trajectory prediction
• Title（参考訳）: 飛行軌道予測のための事前情報学習アーキテクチャ
• Authors: Xianda Huang, Zidong Han, Ruibo Jin, Zhenyu Wang, Wenyu Li, Xiaoyang Li, Yi Gong,
• Abstract要約: 飛行物体の軌道予測は、スポーツ分析から航空宇宙まで幅広い領域において重要である。 本稿では,環境先行をデュアルトランスフォーマー・カスケードアーキテクチャと統合した,ハードウェア効率の良いトラジェクトリ予測フレームワークを提案する。 本研究では,実際の屋外コートにおけるテニスボールの着地点の予測により,このアプローチを実証する。
• 参考スコア（独自算出の注目度）: 15.723257387969712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction for flying objects is critical in domains ranging from sports analytics to aerospace. However, traditional methods struggle with complex physical modeling, computational inefficiencies, and high hardware demands, often neglecting critical trajectory events like landing points. This paper introduces a novel, hardware-efficient trajectory prediction framework that integrates environmental priors with a Dual-Transformer-Cascaded (DTC) architecture. We demonstrate this approach by predicting the landing points of tennis balls in real-world outdoor courts. Using a single industrial camera and YOLO-based detection, we extract high-speed flight coordinates. These coordinates, fused with structural environmental priors (e.g., court boundaries), form a comprehensive dataset fed into our proposed DTC model. A first-level Transformer classifies the trajectory, while a second-level Transformer synthesizes these features to precisely predict the landing point. Extensive ablation and comparative experiments demonstrate that integrating environmental priors within the DTC architecture significantly outperforms existing trajectory prediction frameworks
• Abstract（参考訳）: 飛行物体の軌道予測は、スポーツ分析から航空宇宙まで幅広い領域において重要である。 しかし、従来の手法は複雑な物理モデリング、計算の非効率性、高いハードウェア要求に悩まされ、しばしば着陸地点のような重要な軌道イベントを無視している。 本稿では,環境先行をDual-Transformer-Cascaded (DTC)アーキテクチャと統合した,ハードウェア効率の良いトラジェクトリ予測フレームワークを提案する。 本研究では,実際の屋外コートにおけるテニスボールの着地点の予測により,このアプローチを実証する。 工業用カメラ1台とYOLOによる検出により,高速飛行座標を抽出する。 これらの座標は、構造的環境前提(例えば、裁判所の境界)と融合し、提案したDTCモデルに入力された包括的データセットを形成する。 第1レベルのトランスフォーマーが軌道を分類し、第2レベルのトランスフォーマーがこれらの特徴を合成して着陸地点を正確に予測する。 大規模なアブレーションと比較実験は、DTCアーキテクチャにおける環境事前の統合が既存の軌道予測フレームワークを著しく上回ることを示した

関連論文リスト

• DyTTP: Trajectory Prediction with Normalization-Free Transformers [0.0]
  トランスフォーマーベースのアーキテクチャは、複雑な堅牢性依存関係をキャプチャする上で大きな可能性を証明している。 これらの課題に対処するための2つのアプローチを提案する。 まず、トランスフォーマーを促進する最新の方法であるDynamicTanh(DyT)をバックボーンに統合し、従来のレイヤ正規化を置き換える。 DyTを軌道予測タスクにデプロイする最初の作業です。
  論文  参考訳（メタデータ） (2025-04-07T09:26:25Z)
• VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
  シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。 我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。 GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-10-24T07:16:42Z)
• A Scalable Real-Time Data Assimilation Framework for Predicting Turbulent Atmosphere Dynamics [8.012940782999975]
  我々は,汎用リアルタイムデータ同化フレームワークを導入し,そのエンドツーエンド性能をFrontierスーパーコンピュータ上で実証する。 このフレームワークは、アンサンブルスコアフィルタ(EnSF)とビジョントランスフォーマーベースのサロゲートの2つの主要モジュールから構成される。 ExascaleスーパーコンピュータであるFrontier上では、私たちのフレームワークの強いスケーリングと弱いスケーリングの両方を1024GPUで実証しています。
  論文  参考訳（メタデータ） (2024-07-16T20:44:09Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
  将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。 この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。 本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-19T15:42:03Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。