論文の概要: SAIL: Scene-aware Adaptive Iterative Learning for Long-Tail Trajectory Prediction in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2604.04573v1
• Date: Mon, 06 Apr 2026 10:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.168442
• Title: SAIL: Scene-aware Adaptive Iterative Learning for Long-Tail Trajectory Prediction in Autonomous Vehicles
• Title（参考訳）: SAIL: 自律走行車における長距離軌道予測のためのシーン認識適応型反復学習
• Authors: Bin Rao, Haicheng Liao, Chengyue Wang, Keqiang Li, Zhenning Li, Hai Yang,
• Abstract要約: 本稿では,三つの重要な属性次元にまたがる軌跡を初めて定義し,モデル化することによって,長い尾の問題に対処する新しい枠組みを提案する。 提案手法は,属性誘導型拡張処理と特徴抽出処理を高度に適応的なコントラスト学習戦略でシナジする。 このフレームワークは、実世界の混合自律性設定における信頼性の高いAV軌道予測を推し進める。
• 参考スコア（独自算出の注目度）: 22.453938678763013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) rely on accurate trajectory prediction for safe navigation in diverse traffic environments, yet existing models struggle with long-tail scenarios-rare but safety-critical events characterized by abrupt maneuvers, high collision risks, and complex interactions. These challenges stem from data imbalance, inadequate definitions of long-tail trajectories, and suboptimal learning strategies that prioritize common behaviors over infrequent ones. To address this, we propose SAIL, a novel framework that systematically tackles the long-tail problem by first defining and modeling trajectories across three key attribute dimensions: prediction error, collision risk, and state complexity. Our approach then synergizes an attribute-guided augmentation and feature extraction process with a highly adaptive contrastive learning strategy. This strategy employs a continuous cosine momentum schedule, similarity-weighted hard-negative mining, and a dynamic pseudo-labeling mechanism based on evolving feature clustering. Furthermore, it incorporates a focusing mechanism to intensify learning on hard-positive samples within each identified class. This comprehensive design enables SAIL to excel at identifying and forecasting diverse and challenging long-tail events. Extensive evaluations on the nuScenes and ETH/UCY datasets demonstrate SAIL's superior performance, achieving up to 28.8% reduction in prediction error on the hardest 1% of long-tail samples compared to state-of-the-art baselines, while maintaining competitive accuracy across all scenarios. This framework advances reliable AV trajectory prediction in real-world, mixed-autonomy settings.
• Abstract（参考訳）: 自律走行車(AV)は、様々な交通環境における安全な航法のための正確な軌道予測に頼っているが、既存のモデルは、急激な操作、高い衝突リスク、複雑な相互作用を特徴とする、しかしながら安全に重要な事象に苦しむ。 これらの課題は、データ不均衡、長い尾の軌跡の不十分な定義、そして頻度の低いものよりも共通の振る舞いを優先する最適でない学習戦略に起因している。 そこで本研究では,まず3つの属性次元,すなわち予測誤差,衝突リスク,状態複雑性のトラジェクトリを定義し,モデル化することによって,長期的問題に体系的に対処する新しいフレームワークであるSAILを提案する。 提案手法は,属性誘導型拡張処理と特徴抽出処理を高度に適応的なコントラスト学習戦略でシナジする。 この戦略は、連続的なコサイン運動量スケジュール、類似性の重み付けされた強陰性採掘、および進化する特徴クラスタリングに基づく動的擬似ラベル機構を用いる。 さらに、特定クラス内のハード陽性サンプルの学習を強化するための集中機構も組み込まれている。 この包括的な設計により、SAILは多様で挑戦的なロングテールイベントの特定と予測に長けている。 nuScenesとETH/UCYデータセットの大規模な評価は、SAILの優れた性能を示し、すべてのシナリオにおける競争精度を維持しながら、最先端のベースラインと比較して、最も難しい1%のロングテールサンプルに対する予測誤差を最大28.8%削減した。 このフレームワークは、実世界の混合自律性設定における信頼性の高いAV軌道予測を推し進める。

関連論文リスト

• Super Agents and Confounders: Influence of surrounding agents on vehicle trajectory prediction [3.217085919378088]
  インタラクティブな運転シーンでは、車や歩行者などの周囲の交通参加者の情報に基づいて軌道予測を行う。 我々の主な貢献は、最先端の軌道予測器を包括的に分析することであり、驚くべき、重大な欠陥が明らかになっている。 エージェントの特徴を効果的に圧縮する訓練を施したCIB(Conditional Information Bottleneck)を統合することを提案する。
  論文  参考訳（メタデータ） (2026-04-03T21:15:06Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• AMD: Adaptive Momentum and Decoupled Contrastive Learning Framework for Robust Long-Tail Trajectory Prediction [0.37094728988180015]
  本研究では、教師なし・教師なしのコントラスト学習戦略を統合した適応運動量と非結合型コントラスト学習フレームワーク(AMD)を提案する。 長い尾の軌跡を定義し, nuScenes と ETH$/$UCY データセットの広範な比較実験を行うための3つの異なる基準を提案する。
  論文  参考訳（メタデータ） (2025-07-02T15:20:40Z)
• TrACT: A Training Dynamics Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [7.3292387742640415]
  本稿では,よりリッチなトレーニングダイナミックス情報を,原型的コントラスト学習フレームワークに組み込むことを提案する。 我々は,2つの大規模自然主義データセットを用いたアプローチの実証評価を行った。
  論文  参考訳（メタデータ） (2024-04-18T23:12:46Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Orthogonal Uncertainty Representation of Data Manifold for Robust Long-Tailed Learning [52.021899899683675]
  長い尾の分布を持つシナリオでは、尾のサンプルが不足しているため、モデルが尾のクラスを識別する能力は制限される。 モデルロバストネスの長期的現象を改善するために,特徴埋め込みの直交不確実性表現(OUR)とエンドツーエンドのトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-16T05:50:34Z)
• AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
  我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。 我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。 我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
  論文  参考訳（メタデータ） (2022-06-24T09:13:39Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)

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。