Fugu-MT 論文翻訳(概要): MUSCLE-NET: Predicted-Multiscale-Aware Network for Pedestrian Trajectory Forecasting

論文の概要: MUSCLE-NET: Predicted-Multiscale-Aware Network for Pedestrian Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2606.00471v1
Date: Sat, 30 May 2026 01:30:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.477271
Title: MUSCLE-NET: Predicted-Multiscale-Aware Network for Pedestrian Trajectory Forecasting
Title（参考訳）: MUSCLE-NET:Pedestrian Trajectory Forecastingのための予測マルチスケールネットワーク
Abstract要約: 我々は,歩行者軌道予測のための予測型MultiSCale-Aware Network (MUSCLE-NET)を提案する。 MUSCLE-NETは、補完的なマルチモーダルキューとスケール適応予測機構を統合している。これらの特徴に基づいて、Multiscale Enhanced Hierarchical Prediction (MEHP)モジュールは、将来の動きを予測対応で改善する。
参考スコア（独自算出の注目度）: 15.572018668266429
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate pedestrian trajectory prediction is essential for safe navigation in autonomous driving and intelligent transportation systems. Despite substantial progress made by recent methods, most existing approaches are limited in fully exploiting diverse observations and often overlook the scale dependency of future motion, treating multiscale features uniformly regardless of underlying motion dynamics. This limits their robustness across diverse pedestrian behaviors. To address these challenges, we propose a Predicted-MUltiSCale-Aware Network (MUSCLE-NET) for Pedestrian Trajectory Forecasting that integrates complementary multimodal cues with scale-adaptive prediction mechanisms. The proposed framework is built upon a Multiscale Multimodal Feature Extraction (MMFE) module, which combines multiscale representation, modality-aware recalibration, and directional cross-modal fusion to construct semantically aligned representations from bounding boxes, velocities, and pose information. Building on these features, a Multiscale Enhanced Hierarchical Prediction (MEHP) module performs prediction-aware future-motion refinement via a probabilistic coarse predictor, scale-aligned fusion, and progressive refinement, adaptively selecting scale-relevant cues to mitigate spatial drift. Extensive experiments on the JAAD and PIE benchmarks demonstrate that the proposed MUSCLE-Net achieves competitive performance and consistent gains compared with state-of-the-art trajectory prediction methods.
Abstract（参考訳）: 自動運転およびインテリジェント交通システムにおける安全なナビゲーションには,正確な歩行者軌道予測が不可欠である。近年の手法による顕著な進歩にもかかわらず、既存のアプローチのほとんどは、様々な観測を十分に活用することに限られており、しばしば将来の動きのスケール依存性を見落とし、基礎となる運動力学に関係なく、マルチスケールの特徴を均一に扱う。これにより、様々な歩行者行動にまたがる頑丈さが制限される。これらの課題に対処するため,Pedestrian Trajectory Forecasting のための Predicted-MUltiSCale-Aware Network (MUSCLE-NET) を提案する。提案するフレームワークはマルチスケールマルチモーダル特徴抽出(MMFE)モジュール上に構築され,マルチスケール表現,モダリティを意識した再校正,方向性の相互融合を組み合わせ,境界ボックス,速度,情報から意味的に整合した表現を構築する。これらの特徴に基づいて,Multiscale Enhanced Hierarchical Prediction (MEHP)モジュールは,確率的粗い予測器,スケールアライン・フュージョン,プログレッシブ・リファインメントを用いて,空間的ドリフトを緩和するためのスケール関連キューを適応的に選択する。 JAADとPIEベンチマークの大規模な実験により、提案したMUSCLE-Netは、最先端の軌道予測手法と比較して、競争性能と一貫した利得を達成することを示した。

関連論文リスト

Uncertainty-Aware Diffusion Model for Multimodal Highway Trajectory Prediction via DDIM Sampling [14.988778271653038]
cVMDxは拡散に基づく軌道予測フレームワークで、効率、堅牢性、マルチモーダル予測能力を改善する。 DDIMサンプリングは推測時間の最大100倍の削減を実現し、不確実性推定のための実用的なマルチサンプル生成を可能にする。実験により、cVMDxはcVMDよりも精度が高く、効率が大幅に向上し、完全なマルチモーダル軌道予測が可能となった。
論文参考訳（メタデータ） (2026-02-24T19:40:37Z)
NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。 NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文参考訳（メタデータ） (2025-10-15T16:25:18Z)
TrajFlow: Multi-modal Motion Prediction via Flow Matching [29.274577509291973]
本稿では,新しいフローマッチングに基づく動き予測フレームワークであるTrajFlowを紹介する。 TrajFlowは1回のパスで複数の可算な将来の軌跡を予測し、計算オーバーヘッドを大幅に削減する。さまざまな主要なメトリクスにわたって最先端のパフォーマンスを達成し、安全クリティカルな自動運転アプリケーションの有効性を裏付ける。
論文参考訳（メタデータ） (2025-06-10T08:08:31Z)
Advancing Semantic Future Prediction through Multimodal Visual Sequence Transformers [11.075247758198762]
本稿では,統合的かつ効率的な視覚シーケンス変換器アーキテクチャを用いたマルチモーダルな将来の意味予測手法であるFUTURISTを紹介する。計算複雑性を低減し,トレーニングパイプラインを合理化し,高解像度なマルチモーダル入力によるエンドツーエンドのトレーニングを可能にする,VAEフリー階層型トークン化プロセスを提案する。我々は,Cityscapesデータセット上でFUTURISTを検証し,短期予測と中期予測の両方において将来的なセマンティックセグメンテーションにおける最先端性能を示す。
論文参考訳（メタデータ） (2025-01-14T18:34:14Z)
Multi-Transmotion: Pre-trained Model for Human Motion Prediction [68.87010221355223]
マルチトランスモーション(Multi-Transmotion)は、モダリティ事前トレーニング用に設計された革新的なトランスフォーマーベースのモデルである。提案手法は,下流タスクにおける各種データセット間の競合性能を示す。
論文参考訳（メタデータ） (2024-11-04T23:15:21Z)
MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文参考訳（メタデータ） (2023-06-30T16:23:04Z)
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)
Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文参考訳（メタデータ） (2021-01-14T22:21:25Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。