Fugu-MT 論文翻訳(概要): Extended Field of View Analysis for VideoGAN-based Trajectory Generation

論文の概要: Extended Field of View Analysis for VideoGAN-based Trajectory Generation

arxiv url: http://arxiv.org/abs/2608.02289v1
Date: Mon, 03 Aug 2026 14:21:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.594587
Title: Extended Field of View Analysis for VideoGAN-based Trajectory Generation
Title（参考訳）: ビデオGANに基づく軌道生成のための視野拡大
Abstract要約: 本研究は,GAN(Generative Adversarial Network)に基づくセマンティック・バードズ・アイ・ビュー・トラフィック生成に関する先行研究に基づいて構築する。我々は意味表現を改善し、トラジェクトリ抽出手順をグラフベースのアソシエーション手法に置き換える。また、生成したビデオにおける幻覚や物体の永続性を評価するための定量的評価フレームワークも導入する。
参考スコア（独自算出の注目度）: 2.7474251089367363
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Realistic and diverse trajectory generation is central to enabling higher levels of vehicle automation. While rule-based and classical learning-based methods may struggle to capture the complexity of traffic behavior, generative models have already demonstrated in other fields that they can handle a comparable level of complexity. In this paper, we build upon previous work on generative adversarial network (GAN)-based semantic bird's-eye-view traffic generation and extend the proposed framework in several key aspects. We improve the semantic representation, replace the trajectory extraction procedure with a graph-based association method, and systematically investigate increasingly larger fields of view. In addition, we introduce a quantitative evaluation framework to assess hallucinations and object permanence in generated videos. Our experiments demonstrate that the framework generalizes to larger and more complex traffic scenes while maintaining statistically realistic trajectories and coherent spatial relationships between traffic participants. Within 150GPU hours of training and with inference times below 20ms for scenes of up to 20s, our results demonstrate that video-based GANs remain an efficient and scalable approach for realistic trajectory generation, even in substantially larger traffic scenes, making them well suited for downstream tasks such as prediction, planning, and simulation in automated driving.
Abstract（参考訳）: 現実的で多様な軌道生成は、より高度な車両自動化を可能にする中心である。ルールベースおよび古典的な学習ベースの手法は、交通行動の複雑さを捉えるのに苦労するかもしれないが、生成モデルは、他の分野において、同等の複雑さを扱えることを既に実証している。本稿では,GAN(Generative Adversarial Network)に基づくセマンティックバードの目視トラフィック生成に関する以前の研究に基づいて,提案するフレームワークをいくつかの重要な側面で拡張する。セマンティック表現を改善し、トラジェクトリ抽出手順をグラフベースのアソシエーション手法に置き換え、より大きな視野を体系的に検討する。さらに,生成したビデオにおける幻覚や物体の永続性を評価するための定量的評価フレームワークを提案する。本実験は, 統計的に現実的な軌道と交通参加者間のコヒーレントな空間的関係を保ちながら, より大規模で複雑な交通シーンに一般化することを示した。 150GPU時間以内のトレーニング時間と最大20秒のシーンで20ミリ秒未満の推論時間で、より大規模なトラフィックシーンにおいても、ビデオベースのGANはリアルな軌跡生成のための効率的かつスケーラブルなアプローチであり、自動走行における予測、計画、シミュレーションといった下流タスクに適していることを示す。

関連論文リスト

Enactor: From Traffic Simulators to Surrogate World Models [8.361095816227488]
交通マイクロシミュレータは道路網の性能評価に様々な「何」条件下で広く利用されている。深層学習に基づく手法は、周囲の環境に応じて、車や歩行者をエージェントとしてモデルに応用されている。世界モデルパラダイムにインスパイアされた我々は,トランスフォーマーアーキテクチャを用いたアクター中心の生成モデルを開発した。
論文参考訳（メタデータ） (2026-03-18T20:38:28Z)
Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
論文参考訳（メタデータ） (2025-10-27T03:52:45Z)
VideoGAN-based Trajectory Proposal for Automated Vehicles [1.693200946453174]
本稿では,鳥眼視(BEV)の交通シナリオのビデオに基づいて訓練された生成ネットワーク(GAN)が,統計的に正確な軌跡を生成できるかどうかを検討する。そこで本研究では,ビデオ生成モデルのトレーニングデータとして,低解像度のBEV占有グリッドビデオを使用するパイプラインを提案する。我々は,20ms未満の推論時間で,100GPU時間以内のトレーニングで最高の結果を得た。
論文参考訳（メタデータ） (2025-06-19T10:57:44Z)
High-Order Evolving Graphs for Enhanced Representation of Traffic Dynamics [4.856478623606766]
本稿では,自律運転における表現性の向上を目的とした,高次進化グラフを用いた交通動態解析のための革新的なフレームワークを提案する。提案手法は,交通シーン内の複雑な相互作用をリアルタイムにモデル化する双方向の時間的二部グラフを構築する。
論文参考訳（メタデータ） (2024-09-17T14:00:58Z)
A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文参考訳（メタデータ） (2024-03-11T16:42:29Z)
SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-09-26T21:56:03Z)
A Hierarchical Hybrid Learning Framework for Multi-agent Trajectory Prediction [4.181632607997678]
深層学習(DL)と強化学習(RL)の階層的ハイブリッドフレームワークを提案する。 DLの段階では、トラフィックシーンは、トランスフォーマースタイルのGNNが異種相互作用を符号化するために採用される複数の中間スケールの異種グラフに分割される。 RLの段階では、DLの段階で予測される重要な将来点を利用して、交通シーンを局所的なサブシーンに分割する。
論文参考訳（メタデータ） (2023-03-22T02:47:42Z)
Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文参考訳（メタデータ） (2022-11-15T13:52:41Z)
TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文参考訳（メタデータ） (2021-01-17T00:29:30Z)
SceneGen: Learning to Generate Realistic Traffic Scenes [92.98412203941912]
私たちは、ルールと分布の必要性を緩和するトラフィックシーンのニューラルオートレグレッシブモデルであるSceneGenを紹介します。実トラフィックシーンの分布を忠実にモデル化するSceneGenの能力を実証する。
論文参考訳（メタデータ） (2021-01-16T22:51:43Z)
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文参考訳（メタデータ） (2020-07-23T14:31:25Z)
Improving Movement Predictions of Traffic Actors in Bird's-Eye View Models using GANs and Differentiable Trajectory Rasterization [12.652210024012374]
自動運転パズルの最も重要なピースの1つは、周囲の交通機関の将来の動きを予測するタスクである。一方はトップダウンのシーン化と他方はGAN(Generative Adrial Networks)に基づく手法が特に成功したことが示されている。本稿では,これら2つの方向に基づいて,Aversa-based conditional GANアーキテクチャを提案する。提案手法を実世界の大規模データセット上で評価し,最先端のGANベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2020-04-14T00:41:17Z)

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。