論文の概要: Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2603.10597v1
• Date: Wed, 11 Mar 2026 09:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.88443
• Title: Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction
• Title（参考訳）: Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction
• Authors: Hao Zhou, Lu Qi, Jason Li, Jie Zhang, Yi Liu, Xu Yang, Mingyu Fan, Fei Luo,
• Abstract要約: 軌道予測は自律運転において重要であり、密集した動的交通における安全かつ効率的な計画を可能にする。 既存の手法の多くは、固定長観測下での予測精度を最適化している。 一般的な戦略は、不完全な観察から完全な観察から直接特徴をマッピングすることである。 しかし、このワンショットマッピングは、重要な情報ギャップのため、短い軌跡の正確な表現を学ぶのに苦労している。 本稿では,不完全な観察から特徴を徐々に整列させるプログレッシブ・レトロスペクティブ・フレームワーク(PRF)を提案する。
• 参考スコア（独自算出の注目度）: 34.346912198889505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is critical for autonomous driving, enabling safe and efficient planning in dense, dynamic traffic. Most existing methods optimize prediction accuracy under fixed-length observations. However, real-world driving often yields variable-length, incomplete observations, posing a challenge to these methods. A common strategy is to directly map features from incomplete observations to those from complete ones. This one-shot mapping, however, struggles to learn accurate representations for short trajectories due to significant information gaps. To address this issue, we propose a Progressive Retrospective Framework (PRF), which gradually aligns features from incomplete observations with those from complete ones via a cascade of retrospective units. Each unit consists of a Retrospective Distillation Module (RDM) and a Retrospective Prediction Module (RPM), where RDM distills features and RPM recovers previous timesteps using the distilled features. Moreover, we propose a Rolling-Start Training Strategy (RSTS) that enhances data efficiency during PRF training. PRF is plug-and-play with existing methods. Extensive experiments on datasets Argoverse 2 and Argoverse 1 demonstrate the effectiveness of PRF. Code is available at https://github.com/zhouhao94/PRF.
• Abstract（参考訳）: 軌道予測は自律運転において重要であり、密集した動的交通における安全かつ効率的な計画を可能にする。 既存の手法の多くは、固定長観測下での予測精度を最適化している。 しかし、現実世界の運転はしばしば可変長で不完全な観察をもたらし、これらの手法に挑戦する。 一般的な戦略は、不完全な観察から完全な観察から直接特徴をマッピングすることである。 しかし、このワンショットマッピングは、重要な情報ギャップのため、短い軌跡の正確な表現を学ぶのに苦労している。 この問題に対処するために,プログレッシブ・レトロスペクティブ・フレームワーク(PRF)を提案する。 各ユニットは、RDM(Retrospective Distillation Module)とRPM(Retrospective Prediction Module)で構成されており、RDMは特徴を蒸留し、RPMは蒸留された特徴を用いて以前の経過を回復する。 さらに,PRFトレーニング時のデータ効率を向上させるローリングスタートトレーニング戦略(RSTS)を提案する。 PRFは既存のメソッドでプラグアンドプレイできる。 Argoverse 2とArgoverse 1のデータセットに関する大規模な実験は、PRFの有効性を実証している。 コードはhttps://github.com/zhouhao94/PRF.comで入手できる。

関連論文リスト

• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners [27.813716878034374]
  本稿では, EMPERRORを提案する。 我々は、現在の検出器を以前の研究よりも忠実に模倣していることを示します。 現実的な入力を生成し、プランナーの衝突率を最大85%向上させることができる。
  論文  参考訳（メタデータ） (2024-11-12T11:24:18Z)
• Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
  モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。 本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。 本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T11:47:56Z)
• Improving Trajectory Prediction in Dynamic Multi-Agent Environment by Dropping Waypoints [9.385936248154987]
  動作予測システムは、エージェントの将来の軌跡を予測するために、過去から空間的および時間的情報を学習する必要がある。 本稿では,軌道予測モデルのトレーニング中に時間的依存関係を明示的に組み込んだTWDを提案する。 NBA Sports VU, ETH-UCY, TrajNet++の3つのデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-09-29T15:48:35Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。