論文の概要: SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting

• arxiv url: http://arxiv.org/abs/2603.28091v1
• Date: Mon, 30 Mar 2026 06:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.266087
• Title: SHARP: Short-Window Streaming for Accurate and Robust Prediction in Motion Forecasting
• Title（参考訳）: SHARP:動き予測における高精度・ロバスト予測のためのショートウィンドウストリーミング
• Authors: Alexander Prutsch, Christian Fruhwirth-Reisinger, David Schinagl, Horst Possegger,
• Abstract要約: 本稿では,進化するシーンに特化して焦点をあてた,ストリーミングベースの新たな動き予測フレームワークを提案する。 本手法は,入ってくる観測ウィンドウを段階的に処理し,インスタンス対応コンテキストストリーミングを利用して潜時エージェント表現の維持と更新を行う。 我々のモデルは,Argoverse 2マルチエージェントベンチマークのストリーミング推論における最先端性能を実現し,遅延を最小限に抑えながら,実世界の展開に適していることを強調した。
• 参考スコア（独自算出の注目度）: 53.74101174559609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In dynamic traffic environments, motion forecasting models must be able to accurately estimate future trajectories continuously. Streaming-based methods are a promising solution, but despite recent advances, their performance often degrades when exposed to heterogeneous observation lengths. To address this, we propose a novel streaming-based motion forecasting framework that explicitly focuses on evolving scenes. Our method incrementally processes incoming observation windows and leverages an instance-aware context streaming to maintain and update latent agent representations across inference steps. A dual training objective further enables consistent forecasting accuracy across diverse observation horizons. Extensive experiments on Argoverse 2, nuScenes, and Argoverse 1 demonstrate the robustness of our approach under evolving scene conditions and also on the single-agent benchmarks. Our model achieves state-of-the-art performance in streaming inference on the Argoverse 2 multi-agent benchmark, while maintaining minimal latency, highlighting its suitability for real-world deployment.
• Abstract（参考訳）: 動的交通環境においては、運動予測モデルは将来の軌跡を連続的に正確に推定できなければならない。 ストリーミングベースの手法は有望な解決法であるが、近年の進歩にもかかわらず、不均一な観測長に晒された場合、その性能は劣化することが多い。 そこで本研究では,進化するシーンに焦点をあてた,新たなストリーミングベースのモーション予測フレームワークを提案する。 提案手法は,入ってくる観測ウィンドウを段階的に処理し,インスタンス対応コンテキストストリーミングを活用して,推論ステップ間の潜時エージェント表現の維持と更新を行う。 二重訓練の目的は、様々な観測地平線を横断する一貫した予測精度を可能にすることである。 Argoverse 2 nuScenes と Argoverse 1 の大規模な実験は、進化するシーン条件および単エージェントベンチマークにおける我々のアプローチの堅牢性を示す。 我々のモデルは,Argoverse 2マルチエージェントベンチマークのストリーミング推論における最先端性能を実現し,遅延を最小限に抑えながら,実世界の展開に適したことを強調する。

関連論文リスト

• Streaming Real-Time Trajectory Prediction Using Endpoint-Aware Modeling [54.94692733670454]
  近隣の交通機関の将来の軌道は、自動運転車の経路計画と意思決定に大きな影響を与えている。 本稿では,軽量かつ高精度なストリーミングベース軌道予測手法を提案する。 当社のアプローチは推論遅延を大幅に低減し、現実のデプロイメントに適しています。
  論文  参考訳（メタデータ） (2026-03-02T13:44:23Z)
• StreamGaze: Gaze-Guided Temporal Reasoning and Proactive Understanding in Streaming Videos [128.45606644157]
  StreamGazeは、MLLMがストリーミングビデオにおける時間的および前向きな推論において、いかに効果的に視線を使用するかを評価する最初のベンチマークである。 我々は、エゴセントリックなビデオと生の視線軌跡を整列する視線ビデオQA生成パイプラインを開発した。 我々は、最先端のMLLMと人的パフォーマンスの相違をかなり観察する。
  論文  参考訳（メタデータ） (2025-12-01T14:15:44Z)
• StreamAgent: Towards Anticipatory Agents for Streaming Video Understanding [52.55809460075286]
  本稿では,今後のタスク関連情報を含むと思われる時間間隔と空間領域を予測できるStreamAgentを提案する。 我々は,重要な出来事の時間的進行を予測するために,予測エージェントに期待を促すことによって,質問の意味論と歴史的観察を統合する。 提案手法は,応答精度とリアルタイム効率において既存の手法よりも優れており,実世界のストリーミングシナリオの実用的価値を強調している。
  論文  参考訳（メタデータ） (2025-08-03T18:15:42Z)
• Motion Forecasting in Continuous Driving [41.6423398623095]
  自動運転では、自動運転車が動くと、動きの予測が繰り返し繰り返される。 既存の予測方法は、特定の範囲内で各走行シーンを独立に処理する。 本稿では,連続運転のための新しい動き予測フレームワークであるRealMotionを提案する。
  論文  参考訳（メタデータ） (2024-10-08T13:04:57Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
  自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。 運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。 提案手法は,既存手法の予測性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T14:59:48Z)

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。