論文の概要: Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data

• arxiv url: http://arxiv.org/abs/2606.21344v1
• Date: Fri, 19 Jun 2026 11:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:10:38.26789
• Title: Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data
• Title（参考訳）: 雑音を意識する: 雑音データに対する変換器による対話型軌道予測モデルの感度
• Authors: Shahab Salehi, Luca Lusvarghi, Miguel Sepulcre, Javier Gozalvez,
• Abstract要約: 軌道予測により、自動運転車は周囲の物体の将来の挙動を予測できる。 本研究は,騒音強度の増加に伴い,軌道予測精度が急速に低下することを示す。
• 参考スコア（独自算出の注目度）: 0.3359875577705537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction allows autonomous vehicles to anticipate the future behavior of surrounding objects (or agents) and, accordingly, maximize the safety and efficiency of their driving. State-of-the-art Transformed-based interaction-aware trajectory prediction models, which rely on attention mechanisms to capture multi-agent interactions and maximize prediction accuracy, are commonly trained and evaluated on long-range high-quality datasets. These datasets are typically obtained by aggregating data from multiple vehicles or drones and removing any object detection or tracking noise offline. Yet, information about a surrounding object's state (its position, speed, heading) is far from being noiseless in real-world deployments. Object state estimation is affected by perception uncertainties and localization errors that can be particularly large for objects received via Vehicle-to-Everything (V2X) communications. In this paper, we analyze the impact of noisy object state information on the trajectory prediction accuracy of a state-of-the-art Transformer-based interaction-aware trajectory prediction model. Our study demonstrates that trajectory prediction accuracy can rapidly deteriorate as the noise intensity increases. Numerical results show that the prediction accuracy can reduce by a 1.3x factor under small noise levels and by as much as a 3.9x factor under the highest (yet realistic) noise conditions. These findings reveal the strong sensitivity of trajectory prediction models to noisy data, underscoring the need for more realistic training and evaluation datasets as well as noise mitigation strategies.
• Abstract（参考訳）: 軌道予測により、自動運転車は周囲の物体(またはエージェント)の将来の挙動を予測でき、それによって運転の安全性と効率を最大化する。 マルチエージェントインタラクションをキャプチャし、予測精度を最大化するための注意機構に依存する、最先端のTransformed-based Interaction-aware trajectory Prediction Modelは、一般的に訓練され、長距離の高品質データセットで評価される。 これらのデータセットは通常、複数の車やドローンからのデータを集約して、オブジェクトの検出やノイズの追跡をオフラインで行う。 しかし、周囲の物体の状態に関する情報(位置、速度、方向)は、現実の展開ではノイズを伴わない。 物体状態推定は、V2X通信を介して受信される物体に対して特に大きい知覚の不確かさと局所化誤差によって影響を受ける。 本稿では,現在最先端のトランスフォーマーを用いた対話型軌道予測モデルの軌道予測精度に及ぼす雑音状態情報の影響を解析する。 本研究は,騒音強度の増加に伴い,軌道予測精度が急速に低下することを示す。 数値計算の結果, 予測精度は, 騒音レベルが1.3x, 騒音条件が3.9x, 騒音条件が1.9xで低下することが示唆された。 これらの結果から,より現実的なトレーニングや評価データセット,ノイズ緩和戦略の必要性が強調され,トラジェクティブ予測モデルのノイズデータに対する強い感度が示された。

関連論文リスト

• Super Agents and Confounders: Influence of surrounding agents on vehicle trajectory prediction [3.217085919378088]
  インタラクティブな運転シーンでは、車や歩行者などの周囲の交通参加者の情報に基づいて軌道予測を行う。 我々の主な貢献は、最先端の軌道予測器を包括的に分析することであり、驚くべき、重大な欠陥が明らかになっている。 エージェントの特徴を効果的に圧縮する訓練を施したCIB(Conditional Information Bottleneck)を統合することを提案する。
  論文  参考訳（メタデータ） (2026-04-03T21:15:06Z)
• Out-of-Sight Trajectories: Tracking, Fusion, and Prediction [36.00803433085204]
  軌道予測はコンピュータビジョンと自律システムにおいて重要な課題である。 視外軌道(OST)の進歩について OSTはノイズのない物体の視覚的軌跡をノイズの多いセンサデータを用いて予測する。
  論文  参考訳（メタデータ） (2025-09-18T17:59:16Z)
• Improving Consistency in Vehicle Trajectory Prediction Through Preference Optimization [4.506411269983418]
  軌道予測は、自動運転車のパイプラインにおいて不可欠なステップである。 現在のディープラーニングベースの軌道予測モデルは、公開データセット上で優れた精度を達成することができる。 選好最適化を用いたマルチエージェント設定における微調整軌道予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-03T07:59:49Z)
• Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism [4.372157417558764]
  本稿では,隣接する細胞間のセルトラフィックのパターンを明確に特徴付けるために,2つの変種を持つエンドツーエンドフレームワークを提案する。 空間力学を捉えるための注意機構を備えた畳み込みニューラルネットワークと、時間分解のためのカルマンフィルタを使用する。 実世界の3つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-26T04:32:15Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。