論文の概要: Driving, Fast or Slow? Neuro-Symbolic Guidance for Motion Prediction in Multi-Modal Ground Mobility

• arxiv url: http://arxiv.org/abs/2606.15251v1
• Date: Sat, 13 Jun 2026 11:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.158744
• Title: Driving, Fast or Slow? Neuro-Symbolic Guidance for Motion Prediction in Multi-Modal Ground Mobility
• Title（参考訳）: 速いか遅いか? マルチモーダルグラウンドモビリティにおける運動予測のためのニューロシンボリック誘導
• Authors: Simon Kohaut, Felix Divo, Julius Hahnewald, Benedict Flade, Julian Eggert, Kristian Kersting, Devendra Singh Dhami,
• Abstract要約: Trajectory Compliance-Shaping (TraCS) は、既存のブラックボックスモーション予測バックボーンを解釈可能で確率的な一階述語論理で強化する、ニューロシンボリックなフレームワークである。 TraCSはリアクティブなデータストリーミング推論エンジンを採用し、コンプライアンスの状況を維持し、効率的に更新する。 我々はArgoverse 2ベンチマークでTraCSがいかに最先端の予測バックボーンを継続的に改善するかを示す。
• 参考スコア（独自算出の注目度）: 32.603991884549096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and interpretable motion prediction for heterogeneous traffic spaces, including pedestrians, bicycles, cars, and trucks, is essential for safe autonomous navigation. Nevertheless, state-of-the-art approaches remain predominantly black-box, lacking explicit encoding of the regulatory and behavioral constraints of real-world mobility. We propose Trajectory Compliance-Shaping (TraCS), a neuro-symbolic framework that augments existing black-box motion prediction backbones with interpretable and probabilistic first-order logic. To do so, TraCS employs an agentic code-generation pipeline to bridge the gap between natural-language descriptions of traffic regulations and probabilistic motion prediction. Furthermore, TraCS employs a reactive data-streaming inference engine that maintains and efficiently updates compliance landscapes as scenes evolve. To prevent TraCS from overconfidently steering the backbone's predictions in the wrong direction, we propose a neural confidence rating learned as a context-aware attenuation of the compliance signal. We demonstrate on the Argoverse 2 benchmark how TraCS consistently improves state-of-the-art prediction backbones, showing that probabilistic and symbolic compliance reasoning is a broadly applicable and computationally efficient complement to purely neural motion predictors.
• Abstract（参考訳）: 歩行者、自転車、車、トラックを含む異種交通空間の正確な、解釈可能な動き予測は、安全な自律走行には不可欠である。 それでも、最先端のアプローチは主にブラックボックスのままであり、現実のモビリティの規制的および行動的制約の明示的なエンコーディングは欠如している。 本稿では,既存のブラックボックス動作予測バックボーンを解釈可能かつ確率的一階述語論理で拡張する,ニューロシンボリックなフレームワークであるトラジェクトリ・コンプライアンス・シェイピング(TraCS)を提案する。 そのため、TraCSはエージェントコード生成パイプラインを使用して、交通規制の自然言語記述と確率的動き予測のギャップを埋める。 さらに、TraCSはリアクティブなデータストリーミング推論エンジンを採用しており、シーンが進化するにつれてコンプライアンスの状況を維持し、効率的に更新する。 そこで我々は,TraCSがバックボーンの予測を誤った方向に過度に操るのを防ぐために,コンプライアンス信号の文脈認識減衰として学習した神経信頼度評価を提案する。 我々はArgoverse 2ベンチマークでTraCSがいかにして最先端の予測バックボーンを一貫して改善しているかを示し、確率的およびシンボル的コンプライアンス推論が純粋に神経運動予測器を広く適用し、計算的に効率的に補完することを示した。

関連論文リスト

• Integrating Specialized and Generic Agent Motion Prediction with Dynamic Occupancy Grid Maps [3.3894571022475066]
  本研究では,将来の占有状態グリッド,車両グリッド,シーンフローグリッドを同時に予測する統合フレームワークを提案する。 我々のアプローチは、グリッド間の依存関係をキャプチャし、様々な将来予測を可能にする、カスタマイズされた相互依存損失関数に重点を置いている。 実世界の nuScenes と Woven Planet のデータセットによる評価は、動的車両や一般的な動的シーン要素の予測性能に優れていた。
  論文  参考訳（メタデータ） (2026-02-08T12:13:06Z)
• Flow-guided Motion Prediction with Semantics and Dynamic Occupancy Grid Maps [5.9803668726235575]
  OGM(Occupancy Grid Maps)は、一般的にシーン予測に使用される。 近年,OGMと深層学習を併用してシーンの進化を予測する手法が研究されている。 我々は,動的なOGMとセマンティック情報を利用して,将来の車両セマンティックグリッドとシーンの将来の流れを予測できる新しいマルチタスクフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-22T14:42:34Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Guided Conditional Diffusion for Controllable Traffic Simulation [42.198185904248994]
  制御可能で現実的な交通シミュレーションは、自動運転車の開発と検証に不可欠である。 データ駆動アプローチは現実的で人間的な振る舞いを生成し、シミュレートされたトラフィックから現実のトラフィックへの移行を改善する。 本研究では,制御可能なトラヒック生成(CTG)のための条件拡散モデルを構築し,テスト時に所望のトラジェクトリ特性を制御できるようにする。
  論文  参考訳（メタデータ） (2022-10-31T14:44:59Z)
• Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
  身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。 本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-09-26T13:18:32Z)
• Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
  異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。 提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
  論文  参考訳（メタデータ） (2021-02-18T02:25:35Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。