論文の概要: Rectify, Don't Regret: Avoiding Pitfalls of Differentiable Simulation in Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2603.23393v1
• Date: Tue, 24 Mar 2026 16:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.584101
• Title: Rectify, Don't Regret: Avoiding Pitfalls of Differentiable Simulation in Trajectory Prediction
• Title（参考訳）: Rectify, Don't Regret: Aventing Pitfalls of Differentiable Simulation in Trajectory Prediction
• Authors: Harsh Yadav, Christian Bohn, Tobias Meisen,
• Abstract要約: 現在のオープンループ軌道モデルは、小さな初期偏差が複雑なエラーを発生させるため、現実の自動運転に苦慮している。 シミュレーションステップ間のグラフを明示的に除去するために、分離された後退水平方向のロールアウトを導入する。 我々の手法はより堅牢な回復戦略をもたらし、目標衝突を最大33.24%削減する。
• 参考スコア（独自算出の注目度）: 8.730908751307737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current open-loop trajectory models struggle in real-world autonomous driving because minor initial deviations often cascade into compounding errors, pushing the agent into out-of-distribution states. While fully differentiable closed-loop simulators attempt to address this, they suffer from shortcut learning: the loss gradients flow backward through induced state inputs, inadvertently leaking future ground truth information directly into the model's own previous predictions. The model exploits these signals to artificially avoid drift, non-causally "regretting" past mistakes rather than learning genuinely reactive recovery. To address this, we introduce a detached receding horizon rollout. By explicitly severing the computation graph between simulation steps, the model learns genuine recovery behaviors from drifted states, forcing it to "rectify" mistakes rather than non-causally optimizing past predictions. Extensive evaluations on the nuScenes and DeepScenario datasets show our approach yields more robust recovery strategies, reducing target collisions by up to 33.24% compared to fully differentiable closed-loop training at high replanning frequencies. Furthermore, compared to standard open-loop baselines, our non-differentiable framework decreases collisions by up to 27.74% in dense environments while simultaneously improving multi-modal prediction diversity and lane alignment.
• Abstract（参考訳）: 現在のオープンループ軌道モデルは、小さな初期偏差がしばしば複雑なエラーに陥り、エージェントをアウト・オブ・ディストリビューション状態に押し込むため、現実の自動運転に苦しむ。 完全に微分可能なクローズループシミュレータはこの問題に対処しようとするが、それらはショートカット学習に悩まされる: 損失勾配は誘導された状態入力を通して逆向きに流れ、必然的に将来の基底真理情報をモデル自身の予測に直接リークする。 このモデルはこれらの信号を利用して、真に反応性のあるリカバリを学ぶのではなく、非因果的に過去の誤りを「認識する」ことを避ける。 この問題に対処するため,分離された水平方向のロールアウトを導入する。 シミュレーションステップ間で計算グラフを明示的に分離することにより、モデルは漂流状態から真の回復挙動を学習し、過去の予測を因果的に最適化するのではなく、ミスを「修正」することを強制する。 nuScenesとDeepScenarioデータセットの大規模な評価により、我々のアプローチはより堅牢な回復戦略を示し、ターゲット衝突を最大33.24%削減する。 さらに、標準のオープンループベースラインと比較して、我々の非微分可能なフレームワークは、高密度環境での衝突を最大27.74%減少させ、同時にマルチモーダル予測の多様性とレーンアライメントを改善している。

関連論文リスト

• Mitigating Error Accumulation in Continuous Navigation via Memory-Augmented Kalman Filtering [20.380488628232186]
  無人航空機(UAV)にとって連続航法は重要である 既存のVision-Language Navigation (VLN) モデルはデッドレコンディングに従っており、次のウェイポイント予測のためにその位置を反復的に更新し、その後に完全な軌道を構築する。 本研究では,ナビゲーションを2つの補完的なプロセスに分解する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-30T05:03:08Z)
• Learning Shortest Paths When Data is Scarce [3.3012620893449465]
  本研究では,プランナーが豊富な合成サンプルにアクセス可能な最短経路問題,限られた実世界の観測,およびリンク間の振る舞いの類似性を推定するエッジ類似性について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 初期実データを持たないコールドスタート設定のために、所定の精度が満たされるまでエッジを適応的に選択するバイアス対応能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-07T06:19:04Z)
• 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)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Pseudo-Simulation for Autonomous Driving [66.1981253104508]
  既存の自動運転車(AV)の評価パラダイムは、重大な制限に直面している。 現実世界の評価は、安全上の懸念と現実主義の欠如のためにしばしば困難である。 オープンループ評価は、一般的に複合的なエラーを見落としているメトリクスに依存する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:53Z)
• Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback [41.94295877935867]
  自動走行では、周囲の車両の軌道予測がシーンダイナミクスの推論をサポートし、エゴ車両の安全な計画を可能にする。 既存のモデルは、観測された情報に基づいて将来の軌跡を予測するための瞬間的なタスクとして予測を扱う。 提案手法は,推論中の誤差を補正し,再現する手法である。
  論文  参考訳（メタデータ） (2025-04-18T16:35:12Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。