論文の概要: Self-Discovered Intention-aware Transformer for Multi-modal Vehicle Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2604.07126v1
• Date: Wed, 08 Apr 2026 14:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.578837
• Title: Self-Discovered Intention-aware Transformer for Multi-modal Vehicle Trajectory Prediction
• Title（参考訳）: 多モード車両軌道予測のための自己発見意図認識変換器
• Authors: Diyi Liu, Zihan Niu, Tu Xu, Lishan Sun,
• Abstract要約: 隣接する車両を考慮した複数モードのトランスフォーマーネットワークを提案する。 1つのトラックは軌道の予測に焦点が当てられ、もう1つは隣接する車両を考慮した各意図の予測に焦点が当てられている。 軌道生成モジュールから空間モジュールを分離することにより,2トラックの設計により性能が向上することを示した。
• 参考スコア（独自算出の注目度）: 1.2103718443991303
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting vehicle trajectories plays an important role in autonomous driving and ITS applications. Although multiple deep learning algorithms are devised to predict vehicle trajectories, their reliant on specific graph structure (e.g., Graph Neural Network) or explicit intention labeling limit their flexibilities. In this study, we propose a pure Transformer-based network with multiple modals considering their neighboring vehicles. Two separate tracks are employed. One track focuses on predicting the trajectories while the other focuses on predicting the likelihood of each intention considering neighboring vehicles. Study finds that the two track design can increase the performance by separating spatial module from the trajectory generating module. Also, we find the the model can learn an ordered group of trajectories by predicting residual offsets among K trajectories.
• Abstract（参考訳）: 自動車軌道予測は自動運転やITSの応用において重要な役割を担っている。 複数のディープラーニングアルゴリズムは、車両軌跡を予測するために考案されているが、特定のグラフ構造(例えば、グラフニューラルネットワーク)に依存するか、明示的な意図的ラベリングは、その柔軟性を制限する。 本研究では,隣接する車両を考慮した複数モードのトランスフォーマーネットワークを提案する。 別線が2本ある。 1つのトラックは軌道の予測に焦点が当てられ、もう1つは隣接する車両を考慮した各意図の予測に焦点が当てられている。 軌道生成モジュールから空間モジュールを分離することにより,2トラックの設計により性能が向上することを示した。 また、このモデルでは、K軌道間の残留オフセットを予測することにより、順序付けられた軌道群を学習することができる。

関連論文リスト

• TrajMoE: Scene-Adaptive Trajectory Planning with Mixture of Experts and Reinforcement Learning [24.158051656957166]
  現在の自律運転システムは、画像のようなセンサー入力を受け取り、ニューラルネットワークを介して軌跡空間にマッピングすることを学ぶエンドツーエンドのフレームワークを好んでいることが多い。 従来の研究は、モデルに軌道の事前分布を与えると、より良い計画性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-12-08T03:40:10Z)
• ParkDiffusion: Heterogeneous Multi-Agent Multi-Modal Trajectory Prediction for Automated Parking using Diffusion Models [6.58562706945347]
  ParkDiffusionは、自動駐車シナリオにおける車両と歩行者の両方の軌道を予測する新しいアプローチである。 ParkDiffusionは拡散モデルを用いて、将来の軌道の固有の不確実性と多モード性を捉える。 我々は,Dragon Lake ParkingデータセットとIntersections DroneデータセットのParkDiffusionを評価する。
  論文  参考訳（メタデータ） (2025-05-01T15:16:59Z)
• 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)
• VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
  軌道類似性探索は自律運転において重要な役割を果たす。 車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
  論文  参考訳（メタデータ） (2024-04-11T06:19:55Z)
• 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)
• Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information [50.40632021583213]
  道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。 この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。 この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
  論文  参考訳（メタデータ） (2023-01-06T15:13:23Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• 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)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction [10.905596145969223]
  マルチヘッドアテンションに基づく簡単なエンコーダ・デコーダアーキテクチャを提案する。 提案モデルでは,複数の車両に対して並列に予測された軌道の分布を生成する。
  論文  参考訳（メタデータ） (2020-04-08T06:58:51Z)

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。