論文の概要: COTTA: Context-Aware Transfer Adaptation for Trajectory Prediction in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2604.00402v1
• Date: Wed, 01 Apr 2026 02:36:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.804992
• Title: COTTA: Context-Aware Transfer Adaptation for Trajectory Prediction in Autonomous Driving
• Title（参考訳）: COTTA:自律運転における軌道予測のための文脈認識伝達適応
• Authors: Seohyoung Park, Jaeyeol Lim, Seoyoung Ju, Kyeonghun Kim, Nam-Joon Kim, Hyuk-Jae Lee,
• Abstract要約: 本稿では,米国をベースとしたデータから韓国の道路環境へ転送する際のクエリ中心軌道予測(QCNet)の適用性について検討する。 ゼロショット転送、ゼロショットからのトレーニング、フル微調整、エンコーダ凍結の4つのトレーニング戦略を比較した。 符号化器を凍結しながらデコーダを選択的に微調整すると、精度と訓練効率の最良のトレードオフが得られる。
• 参考スコア（独自算出の注目度）: 11.583503128960148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing robust models to accurately predict the trajectories of surrounding agents is fundamental to autonomous driving safety. However, most public datasets, such as the Waymo Open Motion Dataset and Argoverse, are collected in Western road environments and do not reflect the unique traffic patterns, infrastructure, and driving behaviors of other regions, including South Korea. This domain discrepancy leads to performance degradation when state-of-the-art models trained on Western data are deployed in different geographic contexts. In this work, we investigate the adaptability of Query-Centric Trajectory Prediction (QCNet) when transferred from U.S.-based data to Korean road environments. Using a Korean autonomous driving dataset, we compare four training strategies: zero-shot transfer, training from scratch, full fine-tuning, and encoder freezing. Experimental results demonstrate that leveraging pretrained knowledge significantly improves prediction performance. Specifically, selectively fine-tuning the decoder while freezing the encoder yields the best trade-off between accuracy and training efficiency, reducing prediction error by over 66% compared to training from scratch. This study provides practical insights into effective transfer learning strategies for deploying trajectory prediction models in new geographic domains.
• Abstract（参考訳）: 周囲のエージェントの軌道を正確に予測するために頑健なモデルを構築することは、自動運転の安全性に不可欠である。 しかし、Waymo Open Motion DatasetやArgoverseのようなほとんどの公開データセットは、西部の道路環境で収集されており、韓国を含む他の地域の交通パターン、インフラ、運転行動を反映していない。 このドメインの相違は、西洋のデータに基づいてトレーニングされた最先端のモデルが異なる地理的コンテキストでデプロイされた場合、パフォーマンスが低下する。 本研究では,米国をベースとしたデータから韓国の道路環境に移行する際のQCNet(Query-Centric Trajectory Prediction)の適用性について検討する。 韓国の自動運転データセットを用いて、ゼロショット転送、ゼロショットからのトレーニング、フル微調整、エンコーダ凍結の4つのトレーニング戦略を比較した。 実験結果から,事前学習による知識の活用が予測性能を著しく向上させることが示された。 具体的には、エンコーダを凍結しながらデコーダを選択的に微調整すると、精度とトレーニング効率の最良のトレードオフが得られ、スクラッチからのトレーニングに比べて予測誤差が66%以上減少する。 本研究は,新しい領域に軌道予測モデルを配置するための効果的な移動学習戦略の実践的洞察を提供する。

関連論文リスト

• Saliency-Guided Domain Adaptation for Left-Hand Driving in Autonomous Steering [15.288767162519603]
  自動走行モデルには、様々な道路条件にまたがる一般化のためにドメイン適応が必要である。 本稿では,左利き運転条件に対するエンド・ツー・エンドのディープラーニングモデルであるPilotNetを適用するためのドメイン適応学習手法について検討する。
  論文  参考訳（メタデータ） (2025-11-03T04:46:17Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory Prediction Model based on Neural Networks and Distributed Representations [0.0]
  車両軌道予測におけるトレーニングデータの構成について検討する。 本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T20:00:11Z)
• GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction [6.12727713172576]
  Google、Uber、DiDiなどのAI指向企業は、より正確な車両軌道予測アルゴリズムを調査している。 本稿では,対象車両とその周辺車両間の情報共有を可能にする新しいグラフベース情報共有ネットワーク(GISNet)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:24:31Z)

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。