論文の概要: Future-Interactions-Aware Trajectory Prediction via Braid Theory

• arxiv url: http://arxiv.org/abs/2603.22035v1
• Date: Mon, 23 Mar 2026 14:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.722775
• Title: Future-Interactions-Aware Trajectory Prediction via Braid Theory
• Title（参考訳）: 将来の相互作用-編み込み理論による軌道予測
• Authors: Caio Azevedo, Stefano Sabatini, Sascha Hornauer, Fabien Moutarde,
• Abstract要約: 本稿では,軌道予測タスクと並行して行われる新しい補助タスクである編曲予測を提案する。 編み込み予測タスクが将来の認識意図をモデルに注入し,より正確な共同予測を実現する方法を示す。
• 参考スコア（独自算出の注目度）: 4.331354753582517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To safely operate, an autonomous vehicle must know the future behavior of a potentially high number of interacting agents around it, a task often posed as multi-agent trajectory prediction. Many previous attempts to model social interactions and solve the joint prediction task either add extensive computational requirements or rely on heuristics to label multi-agent behavior types. Braid theory, in contrast, provides a powerful exact descriptor of multi-agent behavior by projecting future trajectories into braids that express how trajectories cross with each other over time; a braid then corresponds to a specific mode of coordination between the multiple agents in the future. In past work, braids have been used lightly to reason about interacting agents and restrict the attention window of predicted agents. We show that leveraging more fully the expressivity of the braid representation and using it to condition the trajectories themselves leads to even further gains in joint prediction performance, with negligible added complexity either in training or at inference time. We do so by proposing a novel auxiliary task, braid prediction, done in parallel with the trajectory prediction task. By classifying edges between agents into their correct crossing types in the braid representation, the braid prediction task is able to imbue the model with improved social awareness, which is reflected in joint predictions that more closely adhere to the actual multi-agent behavior. This simple auxiliary task allowed us to obtain significant improvements in joint metrics on three separate datasets. We show how the braid prediction task infuses the model with future intention awareness, leading to more accurate joint predictions. Code is available at github.com/caiocj1/traj-pred-braid-theory.
• Abstract（参考訳）: 安全に運用するには、自動運転車は、多エージェント軌道予測(multi-agent trajectory prediction)としてしばしば行われる、潜在的に多くの相互作用エージェントの将来の挙動を知る必要がある。 社会的相互作用をモデル化し、共同予測タスクを解こうとする以前の試みの多くは、広範な計算要求を追加したり、マルチエージェントの行動タイプをラベル付けするためにヒューリスティックに頼っていたりしていた。 これとは対照的に、ブレイド理論は将来の軌跡をブレイドに投影することで、マルチエージェントの振る舞いの強力な正確な記述を提供する。 過去の研究では、相互作用するエージェントを推論し、予測されるエージェントの注意窓を制限するために、ろうそくが軽く使われてきた。 より完全なブレイド表現表現の表現性を活用し,それを用いて軌跡自体を条件づけることによって,トレーニングや推論の時間に複雑さが増すことなく,共同予測性能がさらに向上することを示す。 我々は、軌道予測タスクと並行して行われる新しい補助タスク、編み予測を提案する。 エージェント間のエッジを正しい交叉型に分類することで、ブレイド予測タスクは、実際のマルチエージェント行動により密着した共同予測に反映される、社会的認識を改善してモデルを組み込むことができる。 この単純な補助タスクにより、3つの異なるデータセットのジョイントメトリクスの大幅な改善が得られた。 編み込み予測タスクが将来の意図的認識をモデルに注入し,より正確な共同予測を実現する方法を示す。 コードはgithub.com/caiocj1/traj-pred-braid-theoryで入手できる。

関連論文リスト

• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• NashFormer: Leveraging Local Nash Equilibria for Semantically Diverse Trajectory Prediction [11.319057000888638]
  NashFormerは、ゲーム理論の逆強化学習を活用してマルチモーダル予測のカバレッジを改善する、軌道予測のためのフレームワークである。 実験の結果,予測器はベースラインモデルよりも33%以上の潜在的な相互作用をカバーし,正確な予測を行うことがわかった。
  論文  参考訳（メタデータ） (2023-05-28T00:41:29Z)
• VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction [18.277777620073685]
  本稿では, 正確な占有率と流量予測を実現するために, 新規な占有流量予測器を提案する。 我々のモデルは,オープンデータセットの占有率とフロー予測チャレンジで3位にランクされ,閉鎖された占有率とフロー予測タスクにおいて最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-09T03:49:04Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction [32.970169015894705]
  我々は,時間的全変動に基づくマルチエージェントインタラクションの注意モデルを構築した。 我々は,その利点を,合成運転データと自然運転データの両方に対する最先端のアプローチと比較することにより,予測精度の面で示す。
  論文  参考訳（メタデータ） (2022-03-08T21:54:28Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。