論文の概要: Collaborative Trajectory Prediction via Late Fusion

• arxiv url: http://arxiv.org/abs/2604.22973v1
• Date: Fri, 24 Apr 2026 19:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.077802
• Title: Collaborative Trajectory Prediction via Late Fusion
• Title（参考訳）: 後期核融合による協調軌道予測
• Authors: Nadya Abdel Madjid, Murad Mebrahtu, Zakhar Yagudin, Bilal Hassan, Naoufel Werghi, Jorge Dias, Dzmitry Tsetserukou, Majid Khonji,
• Abstract要約: 車両間の協調的なアプローチは、相補的な情報を共有することによって不確実性を低減するのに役立つ。 共有予測のためのレイトフュージョンフレームワークを導入する。 OPV2V、V2V4Real、DeepAccidentデータセットに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 17.045815575131915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future trajectories of surrounding traffic agents is critical for safe autonomous navigation and collision avoidance. Despite all advances in the trajectory forecasting realm, the prediction models remains vulnerable to uncertainty caused by occlusions, limited sensing range, and perception errors. Collaborative vehicle-to-vehicle (V2V) approaches help reduce this uncertainty by sharing complementary information. Existing collaborative trajectory prediction methods typically fuse feature maps at the perception stage to construct a holistic scene view. Further this holistic representation is decoded into the future trajectories. Such design incurs substantial communication overhead due to the exchange of high-dimensional feature representations and often assumes idealized bandwidth and synchronization, limiting practical deployment. We address these limitations by shifting collaboration from perception to the prediction module and introducing a late-fusion framework for shared forecasts. The framework is model-agnostic and treats collaborating vehicles as independent asynchronous agents. We evaluate the approach on the OPV2V, V2V4Real, and DeepAccident datasets, comparing individual and collaborative forecasting. Across all datasets, late fusion consistently reduces miss rate and improves trajectory success rate ($\mathrm{TSR}_{0.5}$), defined as the fraction of ground-truth agents with final displacement error below 0.5 m. On the real-world V2V4Real dataset, collaborative prediction improves the success rate by $1.69\%$ and $1.22\%$ for both intelligent vehicles, respectively, compared with individual forecasting.
• Abstract（参考訳）: 周囲の交通機関の将来の軌道予測は、安全な自律走行と衝突回避に不可欠である。 軌道予測領域のあらゆる進歩にもかかわらず、予測モデルは、閉塞、限られた感知範囲、知覚誤差によって引き起こされる不確実性に弱いままである。 V2V(Collaborative Vehicle-to-vehicle)アプローチは、相補的な情報を共有することによって、この不確実性を低減する。 既存の協調軌道予測手法は、認識段階における特徴写像を融合させて全体像を構築するのが一般的である。 さらに、この全体論的な表現は将来の軌跡にデコードされる。 このような設計は、高次元の特徴表現の交換によってかなりの通信オーバーヘッドを引き起こし、しばしば理想的な帯域幅と同期を仮定し、実際の展開を制限する。 認識から予測モジュールへの協調のシフトと,共有予測のためのレイトフュージョンフレームワークの導入により,これらの制約に対処する。 このフレームワークはモデルに依存しず、協調車両を独立した非同期エージェントとして扱う。 OPV2V、V2V4Real、DeepAccidentのデータセットに対するアプローチを評価し、個人と共同予測を比較した。 すべてのデータセット全体で、遅延融合はミス率を一貫して減少させ、最終変位誤差が0.5m未満の接地トラスエージェントの分数として定義される軌道成功率(\mathrm{TSR}_{0.5}$)を改善する。 現実のV2V4Realデータセットでは、共同予測は、個々の予測と比較して、両方のインテリジェントな車両に対してそれぞれ1.69\%と1.22\%の成功率を改善する。

関連論文リスト

• Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties [18.530958966955847]
  軌道予測は、歴史的運動データの時間的地平線を考慮し、車両や歩行者のような動的実体の将来の動きを予測しようとする。 この領域における中心的な課題は、二つの主要な情報源から生じるリアルタイムマップに固有の不確実性である。 本稿では,位置的および意味的不確実性を共同でモデル化し,それらを軌道予測パイプラインに明示的に統合する,新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T07:35:55Z)
• Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
  密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。 既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。 我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
  論文  参考訳（メタデータ） (2026-01-29T10:22:38Z)
• Improving Consistency in Vehicle Trajectory Prediction Through Preference Optimization [4.506411269983418]
  軌道予測は、自動運転車のパイプラインにおいて不可欠なステップである。 現在のディープラーニングベースの軌道予測モデルは、公開データセット上で優れた精度を達成することができる。 選好最適化を用いたマルチエージェント設定における微調整軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-03T07:59:49Z)
• MAP-Former: Multi-Agent-Pair Gaussian Joint Prediction [6.110153599741102]
  交通行動予測モジュールから得られる軌道情報と実際に必要とされるものとの間には,軌道のリスク評価のギャップがある。 既存の予測モデルでは、単一エージェントに対する不確実な重み付きエージェントの将来の軌道の合同予測やガウス確率密度関数(PDF)が得られている。 本稿では, エージェント対共分散行列をシーン中心の方法で予測することに着目し, 動き予測への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-30T06:21:42Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction [27.614778027454417]
  本稿では,車線情報を用いてエージェント間の将来の関係を予測する手法を提案する。 エージェントの粗い将来の動きを得るため,まず車線レベルのウェイポイント占有確率を予測した。 次に,各エージェントペアに対して隣接車線を通過させる時間的確率を利用して,隣接車線を通過するエージェントが高度に相互作用すると仮定する。
  論文  参考訳（メタデータ） (2023-05-24T04:33:28Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。