論文の概要: IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2607.05705v1
• Date: Mon, 06 Jul 2026 23:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.353618
• Title: IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction
• Title（参考訳）: IMR:マルチエージェント軌道予測のための反復モード-World Weighted Regression
• Abstract要約: 従来の予測ベースおよびアンカーベースの手法は、モードの多様性と予測精度に制限がある。 これらの特徴のギャップを埋めるために,モードワールド重み付き回帰損失を提案する。 実験の結果,提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで第1位となった。
• 参考スコア（独自算出の注目度）: 1.6913943052447997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent motion prediction is essential for automated vehicles to understand the intentions of surrounding vehicles. However, previous prediction-based and anchor-based methods have limitations in mode diversity and prediction accuracy, respectively. These limitations may cause inadequate safety assessments and behavioral deviations in automated vehicles. To address this issue, a mode-world weighted regression loss is proposed to bridge the gap between these features. Specifically, this approach mitigates mode collapse while simultaneously improving world ranking and top-1 confidence. Furthermore, the proposed iterative decoder improves prediction accuracy by recurrently and segmentally generating trajectories. Experimental results show the proposed method ranks first in the Argoverse 2 multi-agent motion forecasting benchmark against other methods.
• Abstract（参考訳）: 周囲の車両の意図を理解するためには,マルチエージェント動作予測が不可欠である。 しかし、従来の予測に基づく手法とアンカーベースの手法は、それぞれモードの多様性と予測精度に制限がある。 これらの制限は、自動車両の安全性評価と行動偏差を不十分にさせる可能性がある。 この問題に対処するために,これらの特徴間のギャップを埋めるために,モードワールド重み付き回帰損失を提案する。 具体的には、この手法は、世界ランキングとトップ1信頼度を同時に改善しながら、モード崩壊を緩和する。 さらに、提案した反復復号器は、軌道を逐次かつセグメント的に生成することで予測精度を向上させる。 実験結果から,提案手法はArgoverse 2マルチエージェント動作予測ベンチマークで他の手法と比較した。

関連論文リスト

• Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs [48.245159309501666]
  自律走行のための軌道予測は急速に進歩しているが、代表モデルはしばしば予測モードよりも非形式的な後部を生成する。 我々は、この K-平均的なハード割当 (one-hot) が非形式的モード確率の源であると主張する。 当科では,(1)近隣の候補軌跡を集約するテストタイム後方重み付け,(2)1段階の予測最大化(EM)更新の2つの治療方法を紹介した。
  論文  参考訳（メタデータ） (2026-06-24T22:26:43Z)
• Forecasting the Past: Gradient-Based Distribution Shift Detection in Trajectory Prediction [8.64679489783877]
  軌道予測モデルは、トレーニングとテスト条件の間の分散シフトにより、現実の自動運転で失敗することが多い。 観測軌道の後半を予測する自己教師タスクにおいて,ポストホック方式でデコーダを訓練する自己教師方式を提案する。
  論文  参考訳（メタデータ） (2026-04-14T08:15:45Z)
• Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
  密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。 既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。 我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
  論文  参考訳（メタデータ） (2026-01-29T10:22:38Z)
• 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)
• From Marginal to Joint Predictions: Evaluating Scene-Consistent Trajectory Prediction Approaches for Automated Driving [4.795092023802721]
  マージナル予測モデルは、通常、各エージェントの将来の軌跡を独立して予測する。 合同予測モデルは、エージェント間の相互作用を明示的に説明し、社会的および物理的に一貫した予測をもたらす。 予測精度,多モード性,推論効率の観点から各手法の評価を行った。
  論文  参考訳（メタデータ） (2025-07-07T17:58:53Z)
• A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
  軌道予測は、自動運転車における計画の安全性と効率に不可欠である。 現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。 本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
  論文  参考訳（メタデータ） (2024-11-29T14:47:08Z)
• Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
  本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。 我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-17T13:26:17Z)
• 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)
• Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks [5.571793666361683]
  本稿では,複数の動作モードとその可能性を予測するための,新しいマルチモーダル予測フレームワークを提案する。 提案フレームワークは,マルチモーダルな操作および軌道予測のための調整されたトレーニング手法と,新しいトランスフォーマーに基づく予測モデルを含む。 その結果,我々のフレームワークは予測誤差の観点から,最先端のマルチモーダル手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-28T16:25:16Z)
• Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles [82.65261980827594]
  本研究では、学習したガウス過程を利用して人間の運転行動を予測する自動運転車のモデル予測制御手法を提案する。 マルチモード予測制御アプローチは、人間のドライバーの意図を考察する。
  論文  参考訳（メタデータ） (2023-03-08T17:14:57Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)

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。