論文の概要: Pivot-Centric Trajectory Prediction: Bridging Long Horizons via Dynamical Guidance

• arxiv url: http://arxiv.org/abs/2608.03521v1
• Date: Tue, 04 Aug 2026 12:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.165895
• Title: Pivot-Centric Trajectory Prediction: Bridging Long Horizons via Dynamical Guidance
• Title（参考訳）: Pivot-Centric Trajectory Prediction: Dynamical Guidanceによる長いホライズンズのブリッジング
• Abstract要約: 長軸予測問題に取り組むために, Pivot-Centric Trajectory Prediction (PCTP)を提案する。 PCTPは、長期軌道予測プロセスを、ピボット予測とピボットベース軌道修正の2つのプロセスに分解する。 既存の手法と比較して、PCTPは複雑なエラーを低減しつつ、より中間的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 3.2590932088410374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting precise future motion of surrounding agents is essential for reliable autonomous vehicles. However, as the demand for longer prediction horizons increases, existing endpoint-completion or iterative-refine methods increasingly struggle with weak guidance and compounding errors. To tackle the long-horizon prediction challenge, we propose Pivot-Centric Trajectory Prediction (PCTP). By introducing ``pivots'' and focusing on predicting pivot points along extended trajectories, we divide the long-term prediction task into short-term sub-tasks at various scales. Specifically, PCTP decouples the long-term trajectory predicting process into two processes: pivot prediction and pivot-based trajectory refinement. The pivot prediction process aims to utilize global map context and agent-to-agent interactions to identify these ``pivot points'', while the pivot-based trajectory refinement process focuses on local map details and refines the short-term trajectory based on predicted ``pivot points''. Compared with existing methods, PCTP provides more intermediate guidance while reducing compounding errors. Moreover, PCTP is a flexible approach that can be integrated into most state-of-the-art trajectory prediction models. Experimental results show that PCTP improves the prediction accuracy of leading models on both Argoverse I and Argoverse II datasets with minimal impact on model size. Specifically, PCTP combined with QCNet outperforms all published ensemble-free methods on the Argoverse II leaderboard at submission.
• Abstract（参考訳）: 周囲のエージェントの正確な将来の動きを予測することは、信頼性の高い自動運転車にとって不可欠である。 しかし、予測の長期化が進むにつれて、既存の終端補完法や反復再定義法は、弱いガイダンスや複雑なエラーに悩まされる傾向にある。 長距離予測問題に対処するため, Pivot-Centric Trajectory Prediction (PCTP)を提案する。 ピボット」を導入し、拡張軌跡に沿ってピボットポイントを予測することで、長期予測タスクを様々なスケールで短期的なサブタスクに分割する。 具体的には、PCTPは、長期的な軌道予測プロセスを、ピボット予測とピボットベースの軌道修正の2つのプロセスに分解する。 ピボット予測プロセスは、グローバルマップコンテキストとエージェントとエージェントの相互作用を利用してこれらの「ピボットポイント」を識別することを目的としており、ピボットベースの軌道修正プロセスは、ローカルマップの詳細に焦点を当て、予測された「ピボットポイント」に基づいて短期軌跡を洗練する。 既存の手法と比較して、PCTPは複雑なエラーを低減しつつ、より中間的なガイダンスを提供する。 さらに、PCTPは、ほとんどの最先端の軌道予測モデルに統合できる柔軟なアプローチである。 実験結果から,PCTPは,Argoverse IとArgoverse IIの両方のデータセットにおける先行モデルの予測精度を,モデルサイズに最小限の影響で向上することが示された。 特に、PCTPとQCNetの組み合わせは、提出時にArgoverse IIのリーダーボード上で発行されたアンサンブルフリーメソッドよりも優れている。

関連論文リスト

• SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [3.870589001283509]
  セマンティックキーポイント条件付き軌道モデリングフレームワークを提案する。 長距離予測を大域的意味決定と局所運動モデリングに分解する。 実世界のAISデータを用いた実験では,提案手法が常に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-26T14:42:31Z)
• 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)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• SSTP: Efficient Sample Selection for Trajectory Prediction [38.92588125424176]
  既存の大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。 本稿では,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。 実験の結果、SSTPはデータの半分しか使用せず、フルデータセットのトレーニングに匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-25T22:00:11Z)
• DeTPP: Leveraging Object Detection for Robust Long-Horizon Event Prediction [1.534667887016089]
  本稿では,コンピュータビジョンからオブジェクト検出技術に触発された新しいアプローチであるDeTPPを紹介する。 DeTPPはユニークなマッチングベースの損失関数を採用し、確実に予測可能なイベントを選択的に優先順位付けする。 提案したハイブリッドアプローチは、大規模トランザクションデータセット上での次のイベント予測の精度を最大2.7%向上させる。
  論文  参考訳（メタデータ） (2024-08-23T14:57:46Z)
• HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
  長軸予測を厳格に評価するために設計された最初のベンチマークである HoTPP を紹介する。 我々は,広く使用されている評価指標の欠点を特定し,理論的に基礎付けられたT-mAP尺度を提案し,人気モデルの効率的な実装を提供する。 我々は,自己回帰と強度に基づく損失が予測品質に与える影響を分析し,今後の研究に向けた有望な方向性を概説する。
  論文  参考訳（メタデータ） (2024-06-20T14:09:00Z)
• 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)
• IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint Multi-Agent Trajectory Prediction [73.25645602768158]
  IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。 我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
  論文  参考訳（メタデータ） (2023-03-01T15:16:56Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。