論文の概要: Encore: Conditioning Trajectory Forecasting via Biased Ego Rehearsals

• arxiv url: http://arxiv.org/abs/2605.11463v1
• Date: Tue, 12 May 2026 03:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.547586
• Title: Encore: Conditioning Trajectory Forecasting via Biased Ego Rehearsals
• Title（参考訳）: Encore: Biased Ego Rehearsalsによるコンディショニング軌道予測
• Authors: Conghao Wong, Ziqian Zou, Xinge You,
• Abstract要約: 軌道予測タスクにおけるエージェントの主観性を表す問題について検討する。 心理学における事前の思考と関連する劇場概念から着想を得て,提案するエゴ予測器を開発した。 実験により,提案したEmphEncore軌道予測モデルの性能が一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 14.838569799732374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning and representing the subjectivities of agents has become a challenging but crucial problem in the trajectory prediction task. Such subjectivities not only present specific spatial or temporal structures, but also are anisotropic for all interaction participants. Despite great efforts, it remains difficult to explicitly learn and forecast these subjectivities, let alone further modulate models' predictions through a specific ego's subjectivity. Inspired by prefactual thoughts in psychology and relevant theatrical concepts, we interpret such subjectivities in future trajectories as the continuous process from rehearsal to encore. In the rehearsal phase, the proposed ego predictor focuses on how each ego agent learns to derive and direct a set of explicitly biased rehearsal trajectories for all participants in the scene from the short-term observations. Then, these rehearsal trajectories serve as immediate controls to condition final predictions, providing direct yet distinct ego biases for the prediction network to simulate agents' various subjectivities. Experiments across datasets not only demonstrate a consistent improvement in the performance of the proposed \emph{Encore} trajectory prediction model but also provide clear interpretability regarding subjectivities as biased ego rehearsals.
• Abstract（参考訳）: エージェントの主観性を学習し、表現することは、軌道予測タスクにおいて難しいが重要な問題となっている。 このような主観性は、特定の空間構造や時間構造だけでなく、すべての相互作用参加者に対して異方性を持つ。 大きな努力にもかかわらず、これらの主観性を明示的に学び、予測することは困難であり、もちろん、特定の自我の主観性を通じてモデルの予測をさらに調節することは避けられない。 心理学における事前の思考と関連する演劇概念に触発された我々は、リハーサルからアンコールまでの継続的な過程として、将来の軌跡におけるそのような主観性を解釈する。 リハーサルフェーズでは、提案するエゴ予測器は、各エゴエージェントが、短期的な観察からシーンの全参加者に対して、明らかに偏りのあるリハーサル軌道のセットを導出し、指示する方法に焦点をあてる。 次に、これらのリハーサル軌道は、最終予測を条件付けるための即時制御として機能し、エージェントの様々な主観性をシミュレートする予測ネットワークに対して、直接的かつ明確なエゴバイアスを提供する。 データセット間の実験は、提案したemph{Encore}軌道予測モデルの性能が一貫した改善を示すだけでなく、偏りのあるエゴリハーサルとしての主観性に関する明確な解釈可能性も示している。

関連論文リスト

• Probing the Reliability of Driving VLMs: From Inconsistent Responses to Grounded Temporal Reasoning [17.08518699175473]
  運転支援システムとして応用されたビジョン・ランゲージ・モデル(VLM)は,現状の観測結果が今後の成果をどう形作るのかを概説し,理解することができるかを検討する。 強い視覚的理解を持つモデルは、時間的推論を必要とするタスクにおいて必ずしも最善を尽くさない。 本稿では、時間ラベルを必要とせず、一貫性と時間的推論の両方を改善するチェーン・オブ・ソート推論を用いた、シンプルで効果的な自己教師付きチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T11:12:28Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Reverberation: Learning the Latencies Before Forecasting Trajectories [18.978852734171593]
  過去を未来へブリッジし、空間的および時間的にエージェントを接続することは、軌道予測タスクの中核にある。 異なるエージェントは、特定の軌道変更イベントに注意し、処理し、反応するために、明確な遅延優先を示す可能性がある。 音響学における残響曲線に着想を得て,新しい残響曲線とそれに対応する残響軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-14T10:59:24Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• Video Prediction via Example Guidance [156.08546987158616]
  ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。 本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:57:24Z)

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。