論文の概要: From Cues to Horizons: Dynamic Risk Horizon Profiling for Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2606.00857v1
- Date: Sat, 30 May 2026 19:17:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.889335
- Title: From Cues to Horizons: Dynamic Risk Horizon Profiling for Trajectory Prediction
- Title（参考訳）: クイズからホライズンズへ:軌道予測のための動的リスク水平プロファイリング
- Abstract要約: 本稿では,リスクを考慮した軌道予測のための連続学習可能なポテンシャル場モデルを組み込んだリスク地平面プロファイリング(RHP)モジュールを提案する。
モジュールは周囲の物体の空間的時間的近接を計算し、将来の地平線を横切るリスク分布をプロファイルする。
基準法と比較して,本フレームワークは高Dデータセット上での5s RMSEの25.0%削減,SHRP2上での5s minFDEの29.1%削減を実現している。
- 参考スコア（独自算出の注目度）: 2.014349431451644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and reliable vehicle trajectory prediction is essential for safe autonomous driving. Recent studies have incorporated safety risk into trajectory prediction to quantify dangers posed by surrounding agents. However, most risk-aware approaches use past risk information as a secondary signal to help guide decisions, overlooking its future evolution and uncertainty. In this paper, we propose a risk horizon profiling (RHP) module that incorporates a continuous, learnable potential field model for risk-aware trajectory prediction. The RHP module calculates the spatial-temporal proximity of surrounding objects to profile risk distributions across future horizons, which supports better trajectory prediction by adaptively identifying what human drivers perceive as critical moments. We evaluate our method on two datasets from different driving settings, highD for highway corridors and SHRP2 for urban streets, which cover diverse risk scenarios including safe, near-crash, and crash events. Compared to the baseline methods, our framework achieves a 25.0\% reduction in 5s RMSE on the highD dataset and a 29.1\% reduction in 5s minFDE on SHRP2. These results indicate strong performance for both short and long horizon prediction and robust generalization across highway and urban scenarios. The proposed method enables more realistic AV path planning and strategic selection, thereby supporting safer autonomous driving and more advanced driver-assistance systems. The source code for this work is available at: https://github.com/bilab-nyu/RHP
- Abstract（参考訳）: 安全な自動運転には、正確で信頼性の高い車両軌道予測が不可欠である。
近年の研究では、周囲のエージェントが引き起こす危険を定量化するための軌道予測に安全リスクが組み込まれている。
しかしながら、ほとんどのリスク対応アプローチは、過去のリスク情報を二次的なシグナルとして使用して、その将来の進化と不確実性を見越して意思決定を導く。
本稿では,リスクを考慮した軌道予測のための連続学習可能なポテンシャル場モデルを組み込んだリスク・ホライズ・プロファイリング(RHP)モジュールを提案する。
RHPモジュールは、周囲の物体の空間的時間的近接を計算し、将来の地平線にまたがるリスク分布をプロファイルし、人間のドライバーが重要な瞬間として知覚するものを適応的に識別することで軌道予測を改善する。
本手法は,道路道路のハイDと都市道路のSHRP2という,運転環境の異なる2つのデータセットを用いて評価する。
基準法と比較して,本フレームワークは高Dデータセット上での5s RMSEの25.0 %削減,SHRP2上での5s minFDEの29.1 %削減を実現している。
これらの結果から, 短地平線予測と長地平線予測, 幹線道路, 都市域をまたいだロバストな一般化の両面において, 高い性能を示した。
提案手法は、より現実的なAV経路計画と戦略的選択を可能にし、より安全な自動運転とより高度な運転支援システムをサポートする。
この作業のソースコードは、https://github.com/bilab-nyu/RHPで公開されている。
関連論文リスト
- Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - Risk Estimation for Automated Driving [0.9376581451563295]
自動運転では、リスクは2つの側面によって特徴づけられる。
不確実性は一般的に、衝突に近い事象の危険をゼロにする。
既存のアプローチでは、経験的モデリングや厳密な近似に頼ってリスクを計算する。
本稿では,衝突確率推定の最近の進歩と衝突重大度の概念を組み合わせて,正確なリスク推定のための一般的な手法を開発する。
論文 参考訳（メタデータ） (2026-01-21T14:14:50Z) - STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。
提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
論文 参考訳（メタデータ） (2025-07-11T13:05:35Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。
第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。
第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。
最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
論文 参考訳（メタデータ） (2025-05-14T14:28:24Z) - 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) - Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。
安全クリティカルな軌道予測データセットと調整された評価指標を導入する。
その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
論文 参考訳（メタデータ） (2024-07-18T13:00:01Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳（メタデータ） (2023-06-08T18:03:48Z) - Mathematical Models of Human Drivers Using Artificial Risk Fields [8.074019565026544]
我々は、人間の運転者が今後の道路状況に応じてどのように車両を制御するかを予測するために、人工リスクフィールドの概念を用いる。
リスクフィールドは、最大20秒の予測地平線において、高い予測精度で将来の軌道を予測するのに優れている。
論文 参考訳（メタデータ） (2022-05-24T15:39:01Z)
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。