論文の概要: Uncertainty Matters: Structured Probabilistic Online Mapping for Motion Prediction in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2603.20076v1
- Date: Fri, 20 Mar 2026 15:56:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.220117
- Title: Uncertainty Matters: Structured Probabilistic Online Mapping for Motion Prediction in Autonomous Driving
- Title（参考訳）: 不確実性: 自律運転における動き予測のための構造化確率的オンラインマッピング
- Authors: Pritom Gogoi, Faris Janjoš, Bin Yang, Andreas Look,
- Abstract要約: オンライン地図生成のための構造的確率的定式化を提案する。
グローバル空間構造をキャプチャする低ランク成分と、独立局所雑音を表す対角成分の組合せとして不確実性を示す。
提案手法は,計画課題における不確実性の重要性を浮き彫りにして,地図に基づく動き予測のための最先端性能を新たに確立する。
- 参考スコア（独自算出の注目度）: 3.338005707097461
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online map generation and trajectory prediction are critical components of the autonomous driving perception-prediction-planning pipeline. While modern vectorized mapping models achieve high geometric accuracy, they typically treat map estimation as a deterministic task, discarding structural uncertainty. Existing probabilistic approaches often rely on diagonal covariance matrices, which assume independence between points and fail to capture the strong spatial correlations inherent in road geometry. To address this, we propose a structured probabilistic formulation for online map generation. Our method explicitly models intra-element dependencies by predicting a dense covariance matrix, parameterized via a Low-Rank plus Diagonal (LRPD) covariance decomposition. This formulation represents uncertainty as a combination of a low-rank component, which captures global spatial structure, and a diagonal component representing independent local noise, thereby capturing geometric correlations without the prohibitive computational cost of full covariance matrices. Evaluations on the nuScenes dataset demonstrate that our uncertainty-aware framework yields consistent improvements in online map generation quality compared to deterministic baselines. Furthermore, our approach establishes new state-of-the-art performance for map-based motion prediction, highlighting the critical role of uncertainty in planning tasks. Code is published under link-available-soon.
- Abstract（参考訳）: オンライン地図生成と軌道予測は、自律運転予測計画パイプラインの重要な構成要素である。
現代のベクトル化写像モデルは高い幾何学的精度を達成するが、一般に地図推定を決定論的タスクとして扱い、構造的不確実性を捨てる。
既存の確率的アプローチは、しばしば対角的共分散行列に依存し、点間の独立性を前提とし、道路幾何学に固有の強い空間的相関を捉えない。
そこで本研究では,オンライン地図生成のための構造的確率的定式化を提案する。
提案手法は,低ランク+対角分解(LRPD)共分散分解によりパラメータ化される高密度共分散行列を予測し,要素内依存性を明示的にモデル化する。
この定式化は、大域的な空間構造をキャプチャする低ランク成分と、独立な局所雑音を表す対角成分との組合せとして不確実性を示し、それによって、完全共分散行列の計算コストを禁ずることなく幾何学的相関をキャプチャする。
nuScenesデータセットの評価から、我々の不確実性を認識したフレームワークは、決定論的ベースラインに比べて、オンラインマップ生成品質が一貫した改善をもたらすことが示された。
さらに,本手法は,計画課題における不確実性の重要性を浮き彫りにして,地図に基づく動き予測の最先端性能を確立する。
コードはlink- available-soonで発行される。
関連論文リスト
- Implicit Statistical Inference in Transformers: Approximating Likelihood-Ratio Tests In-Context [0.0]
In-context Learning (ICL)は、トランスフォーマーがウェイトアップなしで新しいタスクに適応できるようにする。
単純な二項仮説テストによる統計的決定論的な視点を採用する。
ICLは、単純な類似性マッチングではなく、タスク適応型統計推定器の構築から生じることを示す。
論文 参考訳（メタデータ） (2026-03-11T09:25:53Z) - Decoupling Distance and Networks: Hybrid Graph Attention-Geostatistical Methods for Spatio-temporal Risk Mapping [0.0]
我々は,動的グラフ注意ネットワーク(GATv2)の非線形,注意に基づく表現学習機能と,モデルベース統計学(MBG)による潜在ガウス空間過程を統合する,統計的に原理化されたハイブリッド・モデリング・フレームワークを提案する。
予測精度,キャリブレーション,不確実性の定量化を従来の統計モデルとスタンドアロンのGATv2アーキテクチャと比較し,制御されたシミュレーション研究とマラリアの有病率データの応用分析により評価した。
シミュレーションの結果, ハイブリッドモデルは, 距離ベースと構造を考慮した複雑な空間的・時間的過程をモデル化するための, 統計的に一貫性があり, 実証的に堅牢な枠組みを構成することがわかった。
論文 参考訳（メタデータ） (2026-03-09T13:51:03Z) - Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
本稿では,2次幾何統計フレームワークを提案する。
提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2026-01-31T18:12:29Z) - Topology Identification and Inference over Graphs [61.06365536861156]
グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。
本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-11T00:47:09Z) - Manifold Percolation: from generative model to Reinforce learning [0.26905021039717986]
生成的モデリングは通常、学習マッピング規則としてフレーム化されるが、これらの規則にアクセスできない観察者の視点からすると、そのタスクは確率分布から幾何学的支援を引き離すことになる。
本研究は, サンプリングプロセスが, 高次元密度推定を支持面上の幾何カウント問題に効果的に投射するので, 連続体パーコレーションは, この支援解析に一意に適していることを示す。
論文 参考訳（メタデータ） (2025-11-25T17:12:42Z) - 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) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z)
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。