論文の概要: A Unified Framework for Trajectory Prediction with Explicit Planning and Reaction Decomposition

• arxiv url: http://arxiv.org/abs/2608.05673v1
• Date: Thu, 06 Aug 2026 07:13:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.706599
• Title: A Unified Framework for Trajectory Prediction with Explicit Planning and Reaction Decomposition
• Title（参考訳）: 明示的計画と反応分解を考慮した軌道予測のための統一フレームワーク
• Abstract要約: 軌道予測は、明示的な社会的モデリングによって構造化された定式化へと移行してきた。 本稿では,社会的影響を2段階に分割する統合フレームワークINTraJを提案する。 4つの標準ベンチマークの実験は、一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 13.451114642072566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory prediction has shifted toward structured formulations with explicit social modeling. However, existing methods inadequately distinguish the functional roles of social influence in trajectory planning. Observing that agents typically form motion plans by anticipating others' future behaviors before making local reactive adjustments, we identify social interactions as playing staged roles, namely planning precedes reaction. We propose INTraJ, a unified framework that decomposes social influence into two stages: a planning stage constructs reference trajectories using future social information, and a reaction stage recovers local adjustments from the residual between full-context prediction and the reference. INTraJ supports both multi-target and single-target paradigms. Extensive experiments on four standard benchmarks, including Argoverse 2, Argoverse 2-ped, ETH/UCY, and SDD, demonstrate consistent improvements, particularly in FDE and long-horizon consistency, with state-of-the-art performance achieved in several settings. INTraJ reframes trajectory prediction as a planning-driven two-stage process, validating that staged social modeling is critical for stable predictions. The code is publicly available at https://github.com/11isnotavailable/INTraJ.
• Abstract（参考訳）: 軌道予測は、明示的な社会的モデリングによって構造化された定式化へと移行してきた。 しかし、既存の手法は軌道計画における社会的影響の機能的役割を不適切に区別する。 エージェントは、局所的な反応調整を行う前に、他人の将来の行動を予測して行動計画を形成するのが典型的であることを観察し、社会的相互作用を段階的な役割、すなわち計画が反応に先行するものとして識別する。 本稿では,ソーシャルインフルエンスを2段階に分割する統合フレームワークINTraJを提案する。計画段階は,今後のソーシャル情報を用いて参照軌道を構築し,反応段階はフルコンテキスト予測と参照の間の残差から局所的な調整を復元する。 INTraJはマルチターゲットとシングルターゲットの両方のパラダイムをサポートしている。 Argoverse 2、Argoverse 2-ped、ETH/UCY、SDDを含む4つの標準ベンチマークに対する大規模な実験は、特にFDEと長距離一貫性において一貫性のある改善を示し、いくつかの設定で最先端のパフォーマンスが達成された。 INTraJは、軌道予測を計画駆動の2段階のプロセスとして再設定し、段階的な社会的モデリングが安定した予測にとって重要であることを検証している。 コードはhttps://github.com/11isnot available/INTraJ.comで公開されている。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties [18.530958966955847]
  軌道予測は、歴史的運動データの時間的地平線を考慮し、車両や歩行者のような動的実体の将来の動きを予測しようとする。 この領域における中心的な課題は、二つの主要な情報源から生じるリアルタイムマップに固有の不確実性である。 本稿では,位置的および意味的不確実性を共同でモデル化し,それらを軌道予測パイプラインに明示的に統合する,新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T07:35:55Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• STEP: Structured Training and Evaluation Platform for benchmarking trajectory prediction models [7.927039780654076]
  複数のデータセットに統一されたインターフェースを提供することで制限に対処する新しいベンチマークフレームワークであるSTEPを紹介します。 筆者らは,1)広く利用されている試験手順の限界,2) 相互作用予測のためのエージェントの協調モデリングの重要性,3) 分散シフトおよび敵エージェントによる標的攻撃に対する現在の最先端モデルの脆弱性を明らかにする実験でSTEPの能力を実証した。
  論文  参考訳（メタデータ） (2025-09-18T09:56:16Z)
• Ego-centric Predictive Model Conditioned on Hand Trajectories [52.531681772560724]
  自我中心のシナリオでは、次の行動とその視覚的結果の両方を予測することは、人間と物体の相互作用を理解するために不可欠である。 我々は,エゴセントリックなシナリオにおける行動と視覚的未来を共同でモデル化する,統合された2段階予測フレームワークを提案する。 我々のアプローチは、エゴセントリックな人間の活動理解とロボット操作の両方を扱うために設計された最初の統一モデルである。
  論文  参考訳（メタデータ） (2025-08-27T13:09:55Z)
• Trustworthy Pedestrian Trajectory Prediction via Pattern-Aware Interaction Modeling [7.818805084618764]
  InSynはTransformerベースの新しいモデルで、多様なインタラクションパターンをキャプチャする。 SSOSは、数値時系列予測における初期段階のばらつきの一般的な問題を緩和する訓練戦略である。
  論文  参考訳（メタデータ） (2025-07-16T12:23:04Z)
• 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)
• Socially-Informed Reconstruction for Pedestrian Trajectory Forecasting [21.369444387333218]
  条件付き変分オートエンコーダに基づく軌道予測モジュールとともに再構成器を用いるモデルを提案する。 このモジュールは擬似トラジェクトリを生成し、トレーニングプロセス全体を通して拡張として使用します。 このモデルをさらに社会意識に導くために,より安定した軌道予測を支援する新たな社会的損失を提案する。
  論文  参考訳（メタデータ） (2024-12-05T23:54:06Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Exploring Social Posterior Collapse in Variational Autoencoder for Interaction Modeling [26.01824780050843]
  変分オートエンコーダ(VAE)は多エージェント相互作用モデリングに広く応用されている。 VAEは、エージェントの将来の軌跡を予測する際に、歴史的社会的文脈を無視しやすい。 本稿では,ソーシャルな後部崩壊を検知する新しいスパースグラフアテンションメッセージパッシング層を提案する。
  論文  参考訳（メタデータ） (2021-12-01T06:20:58Z)

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。