論文の概要: G-MARK: Grounded Multi-Agent Reasoning for Cooperative Driving via Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2608.19964v1
• Date: Thu, 20 Aug 2026 12:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.562674
• Title: G-MARK: Grounded Multi-Agent Reasoning for Cooperative Driving via Knowledge Graphs
• Title（参考訳）: G-MARK:知識グラフによる協調運転のための接地型マルチエージェント推論
• Abstract要約: 車両間協力は、自動運転システムの不確実性を減少させる。 既存の協調運転法は、マルチエージェントの証拠を潜在特徴や隠れたマルチモーダル状態に圧縮する。 本稿では,マルチエージェント推論フレームワークG-MARKを提案する。
• 参考スコア（独自算出の注目度）: 9.772864559539084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving systems must operate under partial observability, where safety-critical objects may be occluded or visible only to neighboring connected vehicles. Vehicle-to-vehicle cooperation can reduce this uncertainty, but existing cooperative driving methods often compress multi-agent evidence into latent features or hidden multimodal states. As a result, they obscure which agent observed each object, whether the object is visible to the ego vehicle, and how conflicting evidence affects downstream decisions. We propose G-MARK, a grounded multi-agent reasoning framework that converts cooperative object-centric observations into explicit provenance-aware knowledge graphs (KGs). The resulting KGs preserve object hypotheses together with their source attribution, ego-versus-partner visibility, uncertainty, conflicts, spatial relations, and planning-relevant context. G-MARK then derives a shared feature representation from these KGs, enabling lightweight task heads to support object reasoning, motion prediction, control selection, and trajectory forecasting. Compared with the state-of-the-art baseline, GMARK improves occlusion reasoning accuracy by 42.2%, reduces control-selection error by 13.1%, and achieves comparable trajectory-planning accuracy with a 25.6x smaller structured communication payload. Our code is available at https://github.com/bhavyagupta98/g-mark.
• Abstract（参考訳）: 自律運転システムは部分的な観測可能性の下で運用されなければならない。 車両と車両の協調は、この不確実性を減少させる可能性があるが、既存の協調運転法は、しばしば複数のエージェントの証拠を潜伏した特徴や隠れたマルチモーダル状態に圧縮する。 その結果、どのエージェントがそれぞれのオブジェクトを観察しているか、オブジェクトがエゴ車に見えているかどうか、そして矛盾する証拠が下流の判断にどのように影響するかが明らかとなった。 G-MARKは、協調的な対象中心の観測を明示的な先見認識知識グラフ(KG)に変換する、基礎的なマルチエージェント推論フレームワークである。 結果のKGは、対象の仮説を、原点の帰属、自我対パートナーの可視性、不確実性、対立、空間関係、計画関連コンテキストと共に保存する。 G-MARKはこれらのKGから共有された特徴表現を導出し、軽量タスクヘッドがオブジェクト推論、モーション予測、制御選択、軌道予測をサポートする。 最先端のベースラインと比較すると、GMARKはオクルージョン推論の精度を42.2%改善し、制御選択誤差を13.1%削減し、25.6倍小さい構造化通信ペイロードで同等の軌道計画精度を達成する。 私たちのコードはhttps://github.com/bhavyagupta98/g-markで公開されています。

関連論文リスト

• MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images [0.2864713389096699]
  我々は、補助信号による監視を付加する動き一貫性機構のファミリーであるMC-DeTraをリリースする。 MC-DeTraは、動的で社会的に割り振られた軌道予測を改善し、検出精度を向上する。 私たちはhttps://github.com/diuzhevVlad/MC-DeTra.comでコード、設定、評価ツールをリリースします。
  論文  参考訳（メタデータ） (2026-09-10T15:34:09Z)
• Funnel-HOI: Top-Down Perception for Zero-Shot HOI Detection [3.656114607436271]
  人間オブジェクトの相互作用検出(Human-object Interaction Detection, HOID)とは、画像中の対話的な人間オブジェクトのペアをローカライズし、その相互作用を識別することである。 本研究では,Funnel-HOIというトップダウンフレームワークを構築した。 新規な非対称なコアテンション機構は、マルチモーダル情報(ゼロショット機能を含む)を利用してこれらのキューをマイニングし、エンコーダレベルでより強力な相互作用表現を生成する。
  論文  参考訳（メタデータ） (2025-07-16T20:47:24Z)
• Griffin: Aerial-Ground Cooperative Detection and Tracking Dataset and Benchmark [15.405137983083875]
  航空と地上の協力は、UAVの空中視界と地上の車両の局部的な観測を統合することで、有望な解決策を提供する。 本稿では,3つの重要な貢献を通じて,地上3次元協調認識のための包括的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-03-10T07:00:07Z)
• Improving Zero-Shot ObjectNav with Generative Communication [60.84730028539513]
  ゼロショットObjectNavの改良手法を提案する。 私たちのアプローチは、接地エージェントが制限され、時には障害のあるビューを持つ可能性があることを考慮に入れています。
  論文  参考訳（メタデータ） (2024-08-03T22:55:26Z)
• Self-Localized Collaborative Perception [49.86110931859302]
  我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
  論文  参考訳（メタデータ） (2024-06-18T15:26:54Z)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System [9.665475078766017]
  我々は,グラフ畳み込みネットワーク(GCN)を設計して,革新的な関係予測手法であるDeepWORDを提案する。 実験の結果,提案手法が最先端の精度と実時間性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2022-01-28T13:12:27Z)
• Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
  位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。 この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
  論文  参考訳（メタデータ） (2021-04-01T10:19:40Z)
• DeepWORD: A GCN-based Approach for Owner-Member Relationship Detection in Autonomous Driving [2.895229237964064]
  グラフ畳み込みネットワーク(GCN)の設計により, 革新的な関係予測手法であるDeepWORDを提案する。 具体的には,局所相関を持つ特徴マップをノードの入力として活用し,情報豊かさを向上させる。 大規模ベンチマークとしてWORDと呼ばれるアノテートされたオーナーとメンバーの関係データセットを確立します。
  論文  参考訳（メタデータ） (2021-03-30T06:12:29Z)
• Learning to Communicate and Correct Pose Errors [75.03747122616605]
  本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。 本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T18:19:40Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
  本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。 対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。 提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2020-07-06T03:48:08Z)

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。