Fugu-MT 論文翻訳(概要): Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving

論文の概要: Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving

arxiv url: http://arxiv.org/abs/2608.03330v1
Date: Tue, 04 Aug 2026 08:39:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.102611
Title: Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving
Title（参考訳）: 自律走行における多項表現による交通シーンの長期予測
Abstract要約: この論文は、自動運転の交通シーン予測における根本的な課題に対処する。研究は、表現が計算効率、一般化、予測可能性に大きな利点をもたらすことを示した。
参考スコア（独自算出の注目度）: 9.396977815110931
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This thesis addresses fundamental challenges in traffic scene prediction for autonomous driving by introducing robust and computationally efficient models based on polynomial representations. While conventional sequence-based representations often struggle with noise and generalization, this work demonstrates that polynomial representations offer significant advantages in computational efficiency, generalization, and prediction plausibility. Through theoretical analysis and empirical validation, this thesis demonstrates that moderate-degree polynomials capture real-world motion dynamics with high fidelity without constraining predictive performance. Building on this foundation, a prediction model representing both trajectories and map geometry with polynomial representations achieves near state-of-the-art accuracy on standard benchmarks while substantially improving generalization under distribution shift. Extending this concept, a diffusion- based generative framework enables multi-agent scene generation, producing traffic continuations that are more plausible and kinematically consistent than those generated by conventional baselines. Evaluations on the Argoverse 2 and Waymo Open datasets confirm that polynomial representations reduce computational cost, enhance cross-dataset generalization, and yield smoother trajectories and higher behavioral plausibility. The findings reveal that standard in-distribution evaluation and regression-based metrics may fail to reflect true model generalization and prediction plausibility. By providing theoretical justification and empirical validation, this dissertation estab- lishes polynomial trajectory representations as an efficient, expressive, and generalizable foundation for traffic scene prediction in safety critical autonomous driving.
Abstract（参考訳）: この論文は、多項式表現に基づくロバストで計算効率の良いモデルを導入することにより、自律運転における交通シーン予測の基本的な課題に対処する。従来のシーケンスベースの表現はノイズや一般化に苦しむことが多いが、この研究は多項式表現が計算効率、一般化、予測可能性において大きな利点をもたらすことを示した。理論解析と経験的検証を通じて、この論文は、中等度多項式が予測性能を制約することなく、高忠実度で実世界の運動力学を捉えることを示した。この基礎に基づいて、多項式表現を用いた軌跡と地図幾何学の両方を表す予測モデルは、標準ベンチマークにおける最先端の精度をほぼ達成し、分布シフトによる一般化を大幅に改善する。この概念を拡張して、拡散ベースの生成フレームワークは、従来のベースラインよりも可塑性でキネマティックに一貫性のあるトラフィック継続を生成するマルチエージェントシーン生成を可能にする。 Argoverse 2 と Waymo Open データセットの評価では、多項式表現が計算コストを削減し、クロスデータセットの一般化を強化し、よりスムーズな軌道とより高い振る舞いの可視性をもたらすことが確認されている。この結果から,標準分布評価と回帰に基づくメトリクスは,真のモデル一般化と予測可能性の反映に失敗する可能性が示唆された。理論的正当化と実証的検証を提供することにより、この論文は、安全クリティカル自律運転における交通シーン予測の効率的で表現的で一般化可能な基礎として多項式軌道表現をエスタブリッシュする。

関連論文リスト

Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文参考訳（メタデータ） (2026-06-21T12:14:11Z)
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)
GenFacts-Generative Counterfactual Explanations for Multi-Variate Time Series [5.364986293275663]
提案するTextbfGenFactsは、可塑性および作用可能な対実的説明を生成するための新しい生成フレームワークである。我々は,レーダジェスチャ認識に関するGenFactsを産業的ユースケースとして評価し,手書き文字トラジェクトリを直感的なベンチマークとして検討した。
論文参考訳（メタデータ） (2025-09-25T09:22:19Z)
GoIRL: Graph-Oriented Inverse Reinforcement Learning for Multimodal Trajectory Prediction [35.36975133932852]
周囲のエージェントの軌道予測は自動運転の課題である。本稿では,ベクトル化された文脈表現を備えたIRLベースの予測器であるグラフ指向逆強化学習フレームワークを提案する。提案手法は,大規模Argoverse & nuScenesモーション予測ベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2025-06-26T09:46:53Z)
Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
論文参考訳（メタデータ） (2025-05-11T05:56:07Z)
Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文参考訳（メタデータ） (2025-03-30T22:06:37Z)
Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文参考訳（メタデータ） (2024-03-10T04:16:04Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
Temporally-Continuous Probabilistic Prediction using Polynomial Trajectory Parameterization [12.896275507449936]
アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
論文参考訳（メタデータ） (2020-11-01T01:51:44Z)
Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文参考訳（メタデータ） (2020-07-29T07:31:33Z)

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。