論文の概要: TIGFlow-GRPO: Trajectory Forecasting via Interaction-Aware Flow Matching and Reward-Driven Optimization

• arxiv url: http://arxiv.org/abs/2603.24936v1
• Date: Thu, 26 Mar 2026 01:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.046244
• Title: TIGFlow-GRPO: Trajectory Forecasting via Interaction-Aware Flow Matching and Reward-Driven Optimization
• Title（参考訳）: TIGFlow-GRPO:対話型フローマッチングとリワード駆動最適化による軌道予測
• Authors: Xuepeng Jing, Wenhuan Lu, Hao Meng, Zhizhi Yu, Jianguo Wei,
• Abstract要約: 本稿では,フローベーストラジェクトリ生成と行動規則を整合させる2段階生成フレームワークを提案する。 実験により, TIGFlowGRP-FlowOは, より社会的に適合し, 物理的に実現可能な軌道を生成しながら, 予測精度と長期安定性を向上することが示された。 これらの結果から,提案フレームワークは動的マルチメディア環境において,フローベーストラジェクトリモデリングと行動認識アライメントを結合する有効な手段を提供する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 32.62793132656069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human trajectory forecasting is important for intelligent multimedia systems operating in visually complex environments, such as autonomous driving and crowd surveillance. Although Conditional Flow Matching (CFM) has shown strong ability in modeling trajectory distributions from spatio-temporal observations, existing approaches still focus primarily on supervised fitting, which may leave social norms and scene constraints insufficiently reflected in generated trajectories. To address this issue, we propose TIGFlow-GRPO, a two-stage generative framework that aligns flow-based trajectory generation with behavioral rules. In the first stage, we build a CFM-based predictor with a Trajectory-Interaction-Graph (TIG) module to model fine-grained visual-spatial interactions and strengthen context encoding. This stage captures both agent-agent and agent-scene relations more effectively, providing more informative conditional features for subsequent alignment. In the second stage, we perform Flow-GRPO post-training,where deterministic flow rollout is reformulated as stochastic ODE-to-SDE sampling to enable trajectory exploration, and a composite reward combines view-aware social compliance with map-aware physical feasibility. By evaluating trajectories explored through SDE rollout, GRPO progressively steers multimodal predictions toward behaviorally plausible futures. Experiments on the ETH/UCY and SDD datasets show that TIGFlow-GRPO improves forecasting accuracy and long-horizon stability while generating trajectories that are more socially compliant and physically feasible. These results suggest that the proposed framework provides an effective way to connect flow-based trajectory modeling with behavior-aware alignment in dynamic multimedia environments.
• Abstract（参考訳）: 人間の軌道予測は、自律運転や群衆監視のような視覚的に複雑な環境で機能するインテリジェントなマルチメディアシステムにとって重要である。 条件付きフローマッチング(CFM)は時空間観測から軌跡分布をモデル化する上で強力な能力を示しているが、既存のアプローチは依然として、社会規範やシーン制約が生成した軌跡に不十分に反映されるような、教師付きフィッティングに重点を置いている。 この問題に対処するために,フローベース軌道生成と行動規則を整合させる2段階生成フレームワークTIGFlow-GRPOを提案する。 最初の段階では, 微粒な視覚空間相互作用をモデル化し, コンテキストエンコーディングを強化するために, トラジェクトリ・インタラクション・グラフ(TIG)モジュールを用いたCFMベースの予測器を構築した。 この段階はエージェント・エージェントとエージェント・シーンの関係をより効果的に捉え、その後のアライメントのためのより情報的な条件的特徴を提供する。 第2段階では、フロー-GRPOポストトレーニングを行い、決定論的フローロールアウトを確率的ODE-to-SDEサンプリングとして再構成し、軌道探索を可能にする。 SDEのロールアウトを通じて探索された軌道を評価することで、GRPOは行動学的に妥当な未来に向けて、段階的にマルチモーダル予測を操縦する。 ETH/UCYおよびSDDデータセットの実験により、TIGFlow-GRPOは、より社会的に適合し、物理的に実現可能な軌道を生成しながら、予測精度と長期安定を改善することが示されている。 これらの結果から,提案フレームワークは動的マルチメディア環境において,フローベーストラジェクトリモデリングと行動認識アライメントを結合する有効な手段を提供する可能性が示唆された。

関連論文リスト

• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• STGDPM:Vessel Trajectory Prediction with Spatio-Temporal Graph Diffusion Probabilistic Model [0.0]
  船舶軌道予測は、海上交通の安全を確保し、衝突を避けるために重要な要素である。 船舶の挙動に固有の不確実性があるため、軌道予測システムは将来的な運動状態を正確にモデル化するためのマルチモーダルなアプローチを採用する必要がある。 本稿では, 容器の状態に依存する従来の集約型手法を置き換え, 動的グラフとしての相互作用のモデル化を提案する。
  論文  参考訳（メタデータ） (2025-03-11T05:50:27Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)

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。