論文の概要: Towards Collaborative Joint Perception and Prediction: Framework, Baseline Evaluation, and Deployment Perspectives

• arxiv url: http://arxiv.org/abs/2608.09541v1
• Date: Mon, 10 Aug 2026 12:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.265489
• Title: Towards Collaborative Joint Perception and Prediction: Framework, Baseline Evaluation, and Deployment Perspectives
• Title（参考訳）: 共同認識と予測に向けて:フレームワーク,ベースライン評価,展開の展望
• Abstract要約: コラボレーティブ・ジョイント・パーセプションと予測(Co-P&P)の概念的枠組みを提案する。 予測レベル融合は、検出レベルや追跡レベル融合と比較してシステム全体の性能が低下する。 我々は,RENOニューラルとFutureDetによる共同検出・予測を併用した,最小限のエンドツーエンドのCo-P&Pプロトタイプを実装した。
• 参考スコア（独自算出の注目度）: 3.7495803468092603
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Connected Autonomous Vehicles (CAVs) increasingly exploit Vehicle-to-Everything (V2X) communication to exchange multi-source sensor information, enabling advanced Collaborative Perception (CP) capabilities. Extending beyond these capabilities, this work focuses on Collaborative Joint Perception and Prediction (Co-P&P), a paradigm that unifies CP with motion prediction to mitigate two persistent challenges: the accumulation of perception errors and visual occlusions. We present a conceptual framework for Collaborative Joint Perception and Prediction (Co-P&P) that improves motion prediction of surrounding road users, thereby enhancing situational awareness in complex and dynamic traffic environments. Building upon our preliminary study, this extended version compares the performance of different fusion strategies and establishes baseline performance for a modular design of perception and prediction. Experimental results show that prediction-level fusion leads to a decline in overall system performance compared to detection-level or tracking-level fusion. We further implement a minimal end-to-end Co-P&P prototype that couples collaborative point-cloud sharing via the RENO neural codec with joint detection-forecasting via FutureDet, showing that collaboration improves forecasting accuracy while neural compression preserves this benefit at roughly 34x lower communication bandwidth.
• Abstract（参考訳）: コネクテッド・オートモービルズ(CAV)は、V2X通信を利用してマルチソースセンサー情報を交換し、高度なコラボレーティブ・パーセプション(CP)機能を実現する。 これらの能力を超えて、この研究はコラボレーティブ・ジョイント・パーセプション・アンド・予測(Co-P&P)に焦点を当てている。 本研究では,周囲の道路利用者の行動予測を改善し,複雑な交通環境における状況認識を高めることを目的とした協調認識・予測(Co-P&P)の概念的枠組みを提案する。 予備的な研究に基づいて、この拡張バージョンは異なる融合戦略の性能を比較し、知覚と予測のモジュラー設計のためのベースライン性能を確立する。 実験結果から,予測レベル融合は検出レベルや追跡レベル融合と比較してシステム全体の性能が低下することが示された。 さらに、RENOニューラルコーデックとFutureDetによる共同検出予測を組み合わせた最小限のエンドツーエンドのCo-P&Pプロトタイプを実装し、ニューラル圧縮がこの利点をおよそ34倍の通信帯域幅で保存する一方で、コラボレーションが予測精度を改善することを示す。

関連論文リスト

• A Synthetic Benchmark for Collaborative 3D Semantic Occupancy Prediction in V2X Autonomous Driving [3.6538681992157604]
  3Dセマンティック占有予測は、自律運転における新たな知覚パラダイムである。 既存の協調認識データセットをCARLAで高分解能なセマンティックボクセルセンサで再生することで拡張する。 本研究では,空間アライメントとアテンションアグリゲーションによるエージェント間特徴融合を行うベースラインモデルを開発した。
  論文  参考訳（メタデータ） (2025-06-20T13:58:10Z)
• The Components of Collaborative Joint Perception and Prediction -- A Conceptual Framework [0.9012198585960441]
  車両間通信(V2X)によるコネクテッド・オートモービル(CAV)の利点により、センサデータの交換による協調知覚(CP)の実現が可能となる。 本稿では,コラボレーティブ・ジョイント・パーセプション・アンド・予測(Co-P&P)という新たなタスクを導入し,その実装のための概念的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-01-27T08:36:14Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• CMP: Cooperative Motion Prediction with Multi-Agent Communication [21.60646440715162]
  本稿では,協調動作予測の実現可能性と有効性について検討する。 提案手法であるCMPは,LiDAR信号をモデル入力とし,追跡と予測能力を向上させる。 特に、CMPは最強のベースラインに比べて平均予測誤差を12.3%削減する。
  論文  参考訳（メタデータ） (2024-03-26T17:53:27Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• 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)
• Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
  グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。 提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。 このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
  論文  参考訳（メタデータ） (2023-05-03T12:06:11Z)
• Interruption-Aware Cooperative Perception for V2X Communication-Aided Autonomous Driving [49.42873226593071]
  本稿では,V2X通信支援自律運転のためのV2X通信入出力対応協調知覚(V2X-INCOP)を提案する。 我々は、過去の協力情報を用いて、割り込みによる行方不明情報を復元し、割り込み問題の影響を軽減する。 3つの公的な協調認識データセットの実験から,コミュニケーション中断が協調知覚に与える影響を緩和するために提案手法が有効であることが示された。
  論文  参考訳（メタデータ） (2023-04-24T04:59:13Z)
• 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)
• Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
  並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。 我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2023-01-09T17:00:34Z)
• Collaborative Uncertainty in Multi-Agent Trajectory Forecasting [35.013892666040846]
  本稿では,対話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、将来の軌跡とそれに対応する不確実性を学ぶための予測モデルを構築するための一般的なCUベースのフレームワークを構築した。 いずれの場合も、2つの合成データセットと2つの大規模軌跡予測ベンチマークについて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-26T18:27:22Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)

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。