論文の概要: Diverse Yet Consistent: Context-Guided Diffusion with Energy-Based Joint Refinement for Multi-Agent Motion Prediction

• arxiv url: http://arxiv.org/abs/2605.22017v1
• Date: Thu, 21 May 2026 05:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.106407
• Title: Diverse Yet Consistent: Context-Guided Diffusion with Energy-Based Joint Refinement for Multi-Agent Motion Prediction
• Title（参考訳）: 相反する相反する:多エージェント運動予測のためのエネルギーをベースとした関節微細化による文脈誘導拡散
• Authors: Lei Chu, Yuhuan Zhao,
• Abstract要約: 本研究では,歴史トラジェクトリーからのリッチな文脈情報を高齢化することで,マルチエージェント動作予測を改善する拡散型フレームワークを提案する。 相互作用円錐張力をさらに強化するために,個々の軌道の可視性を保ちつつ,接合軌道分布を微細化するエネルギーベースの定式化を導入する。
• 参考スコア（独自算出の注目度）: 9.292652781998177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepgenerative models havebecomeapromisingapproach for human motion prediction due to their ability to capture multimodal distributions and represent diverse human be haviors. However, generating predictions that are both di verse and jointly consistent among interacting agents re mains challenging. In addition, most existing approaches are primarily evaluated using single-agent (marginal) met rics, which fail to fully reflect the joint dynamics of multi agent interactions. We propose a diffusion-based frame work that improves multi-agent motion prediction by lever aging rich contextual information from historical trajecto ries. This information is incorporated through a guidance mechanism to enhance the diversity and expressiveness of predicted motions. To further enforce interaction consis tency, we introduce an energy-based formulation that re fines the joint trajectory distribution while preserving the plausibility of individual trajectories. Extensive experi ments on four benchmark datasets demonstrate that our approach consistently outperforms existing methods. No tably, our approach substantially improves both marginal (ADE/FDE) and joint (JADE/JFDE) metrics on ETH/UCY over strong marginal baselines. Compared with prior joint prediction methods, it delivers significant gains in marginal metrics while maintaining competitive joint performance.
• Abstract（参考訳）: 深成的モデルは、多モーダル分布を捉え、多様な人間の行動ハビタを表現する能力により、人間の動作予測に役立ちます。 しかし、相互作用するエージェント間で相互に整合性のある予測を生成することは、主要な課題である。 加えて、既存のほとんどのアプローチは、主にマルチエージェント相互作用のジョイントダイナミクスを完全に反映しない単一エージェント (marginal) met rics を用いて評価されている。 本研究では,歴史トラジェクトリーからのリッチな文脈情報を高齢化することで,マルチエージェント動作予測を改善する拡散型フレームワークを提案する。 この情報は、予測された動きの多様性と表現性を高めるための誘導機構によって組み込まれている。 相互作用円錐張力をさらに強化するために,個々の軌道の可視性を保ちつつ,接合軌道分布を微細化するエネルギーベースの定式化を導入する。 4つのベンチマークデータセットに対する大規模な実験は、我々のアプローチが既存のメソッドを一貫して上回っていることを示している。 この手法はETH/UCYにおける限界基準値(ADE/FDE)とジョイント基準(JADE/JFDE)の両方を大幅に改善する。 従来のジョイント予測手法と比較して、競争力のあるジョイントパフォーマンスを維持しながら、マージンの指標に大きな利益をもたらす。

関連論文リスト

• SocialMOIF: Multi-Order Intention Fusion for Pedestrian Trajectory Prediction [21.780343024406285]
  SocialMOIFはこれらの課題に対処するために提案されており、近隣グループ間の高次の意図的相互作用に集中している。 SocialMOIF内では、軌道分布近似器が軌道を実際のデータとより密に整合する値へと導くように設計されている。 より正確で効率的な並列予測を可能にするために、グローバルな軌道が導入された。
  論文  参考訳（メタデータ） (2025-04-22T06:14:49Z)
• MDMP: Multi-modal Diffusion for supervised Motion Predictions with uncertainty [7.402769693163035]
  本稿では,運動予測のための多モード拡散モデルを提案する。 骨格データと行動のテキスト記述を統合し、定量性のある不確実性を伴う洗練された長期動作予測を生成する。 我々のモデルは、長期動作を正確に予測する上で、既存の生成技術よりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-10-04T18:49:00Z)
• Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
  ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。 時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
  論文  参考訳（メタデータ） (2024-04-25T12:47:47Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)

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。