論文の概要: LAMP: Lane-Aligned Motion Primitives for Feasible Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2606.26661v1
• Date: Thu, 25 Jun 2026 06:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.186709
• Title: LAMP: Lane-Aligned Motion Primitives for Feasible Trajectory Prediction
• Title（参考訳）: LAMP: 軌道予測のためのレーンアライメント・モーション・プリミティブ
• Authors: Sangjin Han, Hoseong Jung, Jeongtae Her, Changhyun Choi, H. Jin Kim,
• Abstract要約: LAMP(Lane-Aligned Motion Primitives, Lane-Aligned Motion Primitives)は,マルチモーダル予測を構造化された動きプリミティブに固定するトポロジ対応の予測フレームワークである。 Argoverse 2データセットの実験では、LAMPが最先端のベースラインに匹敵する予測精度を達成した。
• 参考スコア（独自算出の注目度）: 24.838775533427977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion forecasting is essential for autonomous driving systems to enable safe decision-making and planning in complex driving scenarios. While existing predictors excel at minimizing standard displacement errors, they often overlook the adherence to lane topology of multimodal predictions, particularly for lower-probability modes. Consequently, predicted trajectories may violate physical and logical constraints, making the prediction set unreliable for safety-critical planning. In this paper, we propose LAMP (Lane-Aligned Motion Primitives), a topology-aware forecasting framework that anchors multimodal prediction to structured motion primitives aligned with lane topology. Specifically, we use a VQ-VAE to learn shape-aware motion primitives as discrete intention queries, capturing spatiotemporal patterns beyond endpoint-based intentions. We further introduce a feasibility-aware intention selector trained with a lane-topology prior for filtering unreachable intention queries, guiding the decoder to prioritize topology-consistent intentions while preserving behavioral diversity. Extensive experiments on the Argoverse 2 dataset demonstrate that LAMP achieves prediction accuracy comparable to state-of-the-art baselines while outperforming them in feasibility and diversity metrics.
• Abstract（参考訳）: 運動予測は、複雑な運転シナリオにおける安全な意思決定と計画を可能にするために、自律運転システムにとって不可欠である。 既存の予測器は標準変位誤差を最小限に抑えるのに優れているが、特に低確率モードにおいて、多モード予測のレーントポロジーの付着性を見落としていることが多い。 その結果、予測軌道は物理的および論理的制約に違反する可能性があるため、予測セットは安全クリティカルな計画には信頼できない。 本稿では,LAMP(Lane-Aligned Motion Primitives)を提案する。 具体的には、VQ-VAEを用いて、形状を意識した動きプリミティブを離散的な意図的クエリとして学習し、エンドポイントベースの意図を超えた時空間パターンをキャプチャする。 さらに,到達不能な意図クエリをフィルタリングする前に,レーントポロジで訓練された実現可能性を考慮した意図セレクタを導入し,振る舞いの多様性を維持しつつ,トポロジに一貫性のある意図を優先するようにデコーダを誘導する。 Argoverse 2データセットの大規模な実験により、LAMPは最先端のベースラインに匹敵する予測精度を達成し、実現可能性と多様性の指標でそれらを上回る結果となった。

関連論文リスト

• Controllable Generative Trajectory Prediction via Weak Preference Alignment [19.852327330298746]
  PrefCVAE(PrefCVAE)は、ラベルの弱い選好ペアを用いて、セマンティック属性を持つ潜在変数を挿入する拡張CVAEフレームワークである。 本研究は,サンプリングベース生成モデルを改善するためのコスト効率の高い方法として,選好監督の有効性を示す。
  論文  参考訳（メタデータ） (2025-10-12T18:06:39Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Intention-Aware Diffusion Model for Pedestrian Trajectory Prediction [15.151965172049271]
  本稿では,短期と長期の両方の動作意図を組み込んだ拡散型歩行者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ETH, UCY, SDDのベンチマークで評価され, 最先端手法に対する競合性を実証した。
  論文  参考訳（メタデータ） (2025-08-10T02:36:33Z)
• Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [31.995016095663544]
  LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。 提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
  論文  参考訳（メタデータ） (2024-07-30T18:37:59Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。