論文の概要: Non-Parametric Spatiotemporal Trajectory Prediction via State-Conditioned Transition Sampling

• arxiv url: http://arxiv.org/abs/2608.14349v1
• Date: Fri, 14 Aug 2026 14:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.408157
• Title: Non-Parametric Spatiotemporal Trajectory Prediction via State-Conditioned Transition Sampling
• Title（参考訳）: 状態条件遷移サンプリングによる非パラメトリック時空間軌道予測
• Abstract要約: マルチモーダル軌道予測のためのトレーニング不要な手法を提案する。 この方法は、過去の状態と次の状態のペアの遷移表を構築する。 製品カーネルを使用して、空間的近接、軸受、速度、時間的文脈上で隣人を検索する。
• 参考スコア（独自算出の注目度）: 1.8377229717030115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a training-free method for multi-modal trajectory prediction that achieves comparable accuracy to a 57M-parameter transformer while requiring no GPU and zero learned parameters. The method builds a transition table of historical state-to-next-position pairs and retrieves neighbors using a product kernel over spatial proximity, bearing, speed, and temporal context. Two inference modes operate over this shared representation: diversity-penalized sampling produces trajectories covering distinct plausible routes, while beam search finds the highest-likelihood path. On the TrAISformer benchmark (Danish Maritime AIS), our method achieves competitive accuracy at full data availability and dramatically outperforms the transformer in data-scarce regimes---remaining stable down to 10% of training data where TrAISformer degrades catastrophically. This enables deployment in new geographic regions from an order of magnitude less historical data, and with no GPU training.
• Abstract（参考訳）: 本稿では,GPUとゼロの学習パラメータを必要とせず,57Mパラメータ変換器に匹敵する精度を達成できるマルチモーダル軌道予測のトレーニングフリー手法を提案する。 提案手法は, 過去の状態と次の状態のペアの遷移表を構築し, 空間的近接, 軸受, 速度, 時間的文脈上で, 製品カーネルを用いて隣人を検索する。 多様性に配慮したサンプリングは、異なる可視経路をカバーする軌跡を発生させ、ビームサーチは最も高い様相の経路を見つける。 TrAISformerベンチマーク(Danish Maritime AIS)では,TrAISformerが壊滅的に劣化するトレーニングデータの10%を安定的に保持し,全データ可用性の競争精度を達成し,データスカース方式のトランスフォーマーを劇的に上回っている。 これにより、GPUトレーニングなしで、桁違いに少ない履歴データから新しい地理的リージョンへのデプロイメントが可能になる。

関連論文リスト

• Difficulty-Calibrated Interpolation Paths for Conditional Flow Matching [0.0]
  条件付きフローマッチングは、所定のノイズ・データ・パスの速度にネットワークを後退させて生成モデルを訓練する。 本研究では,条件付きフローマッチングの回帰困難度が経路に沿って系統的に変化することを示す。 本稿では,モデル自体からスケジュールを導出するDifficulty-Calibrated Flow Matchingを提案する。
  論文  参考訳（メタデータ） (2026-08-21T16:42:52Z)
• Using Lower-Bound Representations for Trajectory Similarity Learning [17.84474521141356]
  軌道類似性学習は、複雑な距離測定の下での効率的な軌道探索の基礎となる。 深部神経埋め込みに依存しない統一下界表現フレームワークであるLB-TrajRepを提案する。
  論文  参考訳（メタデータ） (2026-08-02T06:53:49Z)
• Pathlet Variational Auto-Encoder for Robust Trajectory Generation [16.26294619946259]
  軌道生成は近年,プライバシ保護型都市モビリティ研究や位置情報サービスアプリケーションへの関心が高まっている。 本稿では,パスレット表現に基づく深層生成モデルを提案する。このモデルでは,トラジェクトリセグメントの学習辞書に関連付けられた2進ベクトルでトラジェクトリを符号化する。 我々のモデルは、ノイズの多いデータを使ってデータ分散を効果的に学習することができ、2つの現実世界の軌道データセットの強いベースラインに対して、35.4%と26.3%の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-11-20T06:57:27Z)
• Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation [15.689474391811734]
  本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 2つの実世界のデータセットの実験により、トレイトランスフォーマーは生成品質を大幅に向上し、以前のアプローチで見られた問題を効果的に緩和することを示した。
  論文  参考訳（メタデータ） (2025-10-07T05:41:09Z)
• Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach [12.335528093380631]
  本研究では,異なる状況に合わせたシーン固有の軌跡セットを生成するための新しい手法を提案する。 決定論的ゴールサンプリングアルゴリズムは関連する地図領域を同定する一方,再帰的分布サブサンプリング (RIDS) 法はトラジェクトリの妥当性を高める。 Argoverse 2データセットの実験では、運転エリアコンプライアンスの最大10%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-07-30T11:06:39Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• The Unsupervised Method of Vessel Movement Trajectory Prediction [1.2617078020344619]
  本稿では,船体移動軌跡予測の教師なし手法を提案する。 これは、点間の時間差、試験された点と予測された前方および後方位置の間のスケールした誤差距離、時空間の角度からなる3次元空間におけるデータを表す。 多くの統計的学習法や深層学習法とは異なり、クラスタリングに基づく軌道再構成法は計算コストのかかるモデルトレーニングを必要としない。
  論文  参考訳（メタデータ） (2020-07-27T17:45:21Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。