Fugu-MT 論文翻訳(概要): Towards Metric-Agnostic Trajectory Forecasting

論文の概要: Towards Metric-Agnostic Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2607.01133v1
Date: Wed, 01 Jul 2026 16:20:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-02 19:56:07.985302
Title: Towards Metric-Agnostic Trajectory Forecasting
Title（参考訳）: メトリック非依存的軌跡予測に向けて
Abstract要約: 現在の軌道予測モデルは、トレーニング目標を異なるベンチマークメトリクスに合わせて調整します。これらの指標は相反する振る舞いを促進するため,軌道予測のためのパラダイム変化を提案する。本稿では, トラジェクティブ分布評価(TraDiE)ポリシー, 予測分布を, トラジェクティブ予測指標によって要求される信頼度とK$の集合にマッピングするメトリック特異的ポリシーを紹介する。
参考スコア（独自算出の注目度）: 19.092949647842165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate trajectory forecasting of surrounding traffic participants is a core capability for autonomous driving, enabling vehicles to anticipate behavior and plan safe maneuvers. We observe that current state-of-the-art forecasting models on Argoverse 2 and the Waymo Open Motion Dataset tailor their training objectives to the different benchmark metrics. Because these metrics encourage conflicting behavior, we propose a paradigm change for trajectory forecasting: training models with metric-agnostic probabilistic objectives and treating metric optimization as a downstream task applied to the predictive distribution. Concretely, we introduce Trajectory Distribution Evaluation (TraDiE) policies, metric-specific policies that map a predictive distribution to the set of $K$ trajectories and confidences required by trajectory forecasting metrics. We evaluate this framework by introducing DONUT-NLL, which adapts the training objective of the state-of-the-art trajectory forecasting model DONUT to directly optimize the predictive distribution. Using our policies, DONUT-NLL achieves state-of-the-art results on all metrics of the Waymo motion prediction benchmark.
Abstract（参考訳）: 周囲の交通参加者の正確な軌道予測は、自動運転車のコア機能であり、車両が行動を予測し、安全な操作を計画できる。我々は、Argoverse 2とWaymo Open Motion Datasetの現在の最先端予測モデルが、トレーニング目標を異なるベンチマーク指標に合わせることを観察する。これらの指標は相反する振る舞いを奨励するので、軌道予測のパラダイム的変化として、計量に依存しない確率的目標を持つトレーニングモデルを提案し、計量最適化を予測分布に適用するダウンストリームタスクとして扱う。具体的には、トラジェクティブ分布評価(TraDiE)ポリシー、予測分布をK$トラジェクトリのセットにマッピングするメトリック固有のポリシー、およびトラジェクトリ予測メトリクスに必要な信頼度を紹介する。 DONUT-NLLは、最先端の軌道予測モデルであるDONUTのトレーニング目標に適応し、予測分布を直接最適化することで、この枠組みを評価する。我々のポリシーを用いて、DONUT-NLLはWaymoモーション予測ベンチマークの全指標について最先端の結果を得る。

関連論文リスト

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)
Foresight in Motion: Reinforcing Trajectory Prediction with Reward Heuristics [34.570579623171476]
The First Reasoning, Then Forecasting”は、行動意図を軌道予測のための空間的ガイダンスとして明示的に組み込む戦略である。本稿では,新しいクエリ中心の逆強化学習方式を基礎とした,解釈可能な報酬駆動型意図推論手法を提案する。提案手法は軌道予測の信頼性を著しく向上させ,最先端手法と比較して高い競争性能を実現する。
論文参考訳（メタデータ） (2025-07-16T09:46:17Z)
Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
Certified Human Trajectory Prediction [66.1736456453465]
本稿では,ロバスト性を保証する軌道予測に適した認証手法を提案する。そこで本研究では, 拡散型トラジェクトリデノイザを提案し, 本手法に組み込むことにより, 性能低下を緩和する。認定された予測器の精度と堅牢性を実証し、認定されていない予測器に対するそれらの優位性を強調する。
論文参考訳（メタデータ） (2024-03-20T17:41:35Z)
CRITERIA: a New Benchmarking Paradigm for Evaluating Trajectory Prediction Models for Autonomous Driving [6.868387710209245]
我々は,新しいbenChmarking paRadIgmをTrijEctoRy予測手法(CRITERIA)として提案する。提案したベンチマークにより,より正確なモデルランキングを作成でき,それらの振る舞いを特徴づける手段として機能することを示す。
論文参考訳（メタデータ） (2023-10-11T18:28:15Z)
DESTINE: Dynamic Goal Queries with Temporal Transductive Alignment for Trajectory Prediction [8.25651323214656]
時間的変換型alIgNmEnt(DESTINE)法を用いた動的ゴールquErieSを提案する。提案手法は,各種メトリクスの最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-11T12:41:32Z)
PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
軌道予測は自動運転スタックにおいて重要な役割を果たす。近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
論文参考訳（メタデータ） (2023-09-07T14:45:41Z)
AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文参考訳（メタデータ） (2022-09-19T03:34:59Z)
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)
Bootstrap Motion Forecasting With Self-Consistent Constraints [52.88100002373369]
自己整合性制約を用いた動き予測をブートストラップする新しい枠組みを提案する。運動予測タスクは、過去の空間的・時間的情報を組み込むことで、車両の将来の軌跡を予測することを目的としている。提案手法は,既存手法の予測性能を常に向上することを示す。
論文参考訳（メタデータ） (2022-04-12T14:59:48Z)
Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
論文参考訳（メタデータ） (2021-03-06T04:49:24Z)
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。