論文の概要: VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction

• arxiv url: http://arxiv.org/abs/2606.29548v1
• Date: Sun, 28 Jun 2026 18:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.957197
• Title: VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction
• Title（参考訳）: VISTA-DZ:パーソナライズされたジレンマゾーン予測のための視覚的意味軌道適応
• Abstract要約: 本稿では,パーソナライズされた停止と決定時間予測のためのセマンティックな条件付きフレームワークであるVISTA-DZを提案する。 SDZデータセットと新たに収集されたFDZデータセットの実験によると、VISTA-DZは軌道のみのパーソナライゼーションベースラインと手作りのパーソナライゼーションベースラインより優れている。
• 参考スコア（独自算出の注目度）: 12.667879370269455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver decision making in the dilemma zone at signalized intersections is safety critical, as vehicles approaching a yellow signal must decide whether to stop or proceed within limited time and distance margins. Accurate prediction of both stop-go decisions and decision timing is important for adaptive signal control, advanced driver assistance systems, and human-centered intelligent transportation applications. However, dilemma zone behavior is strongly driver dependent. Similar approach trajectories may lead to different decisions across drivers because of differences in risk preference, braking habit, and decision threshold. Existing personalized models often rely on handcrafted scalar descriptors, which provide useful but limited summaries of individual behavior. This paper proposes VISTA-DZ, a semantic-profile-conditioned framework for personalized stop-go and decision-time prediction. Historical trajectories are converted into visual representations, interpreted by a vision-language model to generate behavioral profiles, and encoded as semantic embeddings to condition a dual-output prediction network. The final model combines a bidirectional GRU encoder, driver-conditioned multi-head cross-attention, and Feature-wise Linear Modulation for temporal evidence selection and feature adaptation. Experiments on the SDZ dataset and a newly collected FDZ dataset show that VISTA-DZ outperforms trajectory-only and handcrafted personalization baselines, achieving 93.26% in-domain simulation accuracy and 90.22% mean accuracy across 20 held-out simulation drivers. Cross-domain results further show feasible zero-shot simulation-to-real transfer and better real-world generalization when simulation data are combined with limited field data.
• Abstract（参考訳）: 信号交差点のジレンマゾーンでのドライバーの判断は、黄色い信号に近づく車両は、制限された時間と距離の範囲内で停止するか、進むかを判断する必要があるため、安全が重要となる。 信号制御,高度運転支援システム,人間中心のインテリジェント交通アプリケーションにおいて,停止判定と意思決定タイミングの正確な予測が重要である。 しかし、ジレンマゾーンの挙動は強いドライバ依存である。 同様のアプローチのトラジェクトリは、リスク嗜好、ブレーキ習慣、決定しきい値の違いのために、ドライバ間で異なる決定につながる可能性がある。 既存のパーソナライズされたモデルは、しばしば手作りのスカラー記述子に頼っている。 本稿では,パーソナライズされた停止と決定時間予測のためのセマンティックな条件付きフレームワークであるVISTA-DZを提案する。 歴史的軌跡は視覚表現に変換され、視覚言語モデルによって解釈され、行動プロファイルを生成し、二重出力予測ネットワークを条件として意味的な埋め込みとして符号化される。 最終モデルは、双方向GRUエンコーダ、ドライバ条件のマルチヘッドクロスアテンション、時間的エビデンス選択と特徴適応のための特徴量線形変調を組み合わせたものである。 SDZデータセットと新たに収集されたFDZデータセットの実験によると、VISTA-DZは軌道のみのパーソナライゼーションベースラインと手作りのパーソナライゼーションベースラインを上回り、ドメイン内シミュレーションの精度は93.26%、平均精度は20のホールドアウトシミュレーションドライバで90.22%である。 クロスドメインの結果は、シミュレーションデータと限られたフィールドデータとを組み合わせた場合、ゼロショット・シミュレーション・トゥ・リアル・トランスファーの実現可能性を示し、現実の一般化も向上する。

関連論文リスト

• Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer [0.0]
  赤信号違反や信号交差点での厳しいブレーキは、交通事故の主要な原因となっている。 本稿では,交通信号の遷移に伴う運転者の意思決定と縦方向の軌跡の挙動を解析し,予測する。
  論文  参考訳（メタデータ） (2026-09-13T08:39:44Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• 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)
• Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
  運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。 従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。 ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
  論文  参考訳（メタデータ） (2025-02-27T13:43:17Z)
• GTransPDM: A Graph-embedded Transformer with Positional Decoupling for Pedestrian Crossing Intention Prediction [5.647541727494757]
  GTransPDMは多モード特徴を利用した歩行者横断意図予測のために開発された。 PIEデータセットでは92%の精度で、JAADデータセットでは87%の精度で処理速度は0.05msである。
  論文  参考訳（メタデータ） (2024-09-30T12:02:17Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
  本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。 センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。 我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:01Z)
• Probabilistic Prediction of Longitudinal Trajectory Considering Driving Heterogeneity with Interpretability [12.929047288003213]
  本研究では,混合密度ネットワーク(MDN)を組み合わせた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、広範囲の車両軌道データセットに基づいてテストされる。
  論文  参考訳（メタデータ） (2023-12-19T12:56:56Z)
• 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)
• 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)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。