論文の概要: Uncertainty-Aware Trajectory Forecasting from Imperfect Tracking

• arxiv url: http://arxiv.org/abs/2608.30899v1
• Date: Mon, 31 Aug 2026 14:50:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.455765
• Title: Uncertainty-Aware Trajectory Forecasting from Imperfect Tracking
• Title（参考訳）: 不確実性追跡からの不確実性認識軌跡予測
• Authors: Stephane Da Silva Martins, Victor Petrovic, Emanuel Aldea, Sylvie Le Hégarat-Mascle,
• Abstract要約: 本稿では,予測器に伝達する情報信号として,追従型信頼性キューを取り扱う。 本稿では,各観測状態を不確実な状態表現として符号化するプラグイン不確実性認識型定式化を提案する。 実際のトラッカー出力を用いたオックスフォード・タウンセンターとVIRATの実験は、補完的なETH/UCY擬似検出プロトコルとともに、提案法により、確率的予測の変位精度と信頼性のトレードオフが向上することを示した。
• 参考スコア（独自算出の注目度）: 4.062766215055394
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Most trajectory forecasting models are trained on clean annotated histories, and are often evaluated under the same idealized assumption, although practical deployments rely on trajectories produced by imperfect multi-object trackers. The real-world observations exhibit localization jitter, missed or unstable detections, and data-association ambiguity, which are usually either ignored or removed through denoising. This paper instead treats tracking-derived reliability cues as an informative signal to be propagated to the predictor. We propose a plug-in uncertainty-aware formulation in which each observed state is encoded as an uncertain state representation, modeled by a Gaussian distribution whose covariance combines detection-level localization uncertainty and association-level ambiguity through the law of total variance. Existing backbones are adapted with minimal architectural changes: input trajectories are represented as Gaussian observations, and predicted trajectories are produced as Gaussian forecasts rather than deterministic coordinates. To train predictors that remain robust under structured observation noise, we combine temporally correlated Ornstein-Uhlenbeck perturbations with response-based knowledge distillation from a teacher trained on clean trajectories. Experiments on Oxford Town Centre and VIRAT using real tracker outputs, together with a complementary ETH/UCY pseudo-detection protocol, show that the proposed formulation improves displacement accuracy and the reliability-sharpness trade-off of probabilistic forecasts.
• Abstract（参考訳）: ほとんどの軌道予測モデルは、クリーンな注釈付き歴史に基づいて訓練されており、しばしば理想化された仮定の下で評価されるが、実際的な展開は不完全なマルチオブジェクトトラッカーによって生成された軌道に依存している。 実世界の観測では、ローカライゼーションのジッタ、欠落または不安定な検出、およびデータ連想の曖昧さが示され、通常、デノナイジングによって無視または除去される。 そこで本論文では,予測器に伝達する情報信号として,トラッキングに基づく信頼度を取り扱う。 本稿では,各観測状態を不確実状態表現として符号化し,検出レベルの局所化不確かさと関係レベルのあいまいさを結合したガウス分布をモデル化したプラグイン不確実性認識式を提案する。 入力軌跡はガウス観測として表現され、予測軌跡は決定論的座標ではなくガウス予測として生成される。 構造的観測雑音下で頑健な予測器を訓練するために, 時間的に相関したOrnstein-Uhlenbeck摂動と, クリーンな軌跡を訓練した教師による応答に基づく知識蒸留を組み合わせた。 実際のトラッカー出力を用いたオックスフォード・タウンセンターとVIRATの実験は、補完的なETH/UCY擬似検出プロトコルとともに、提案法により、確率的予測の変位精度と信頼性のトレードオフが向上することを示した。

関連論文リスト

• Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting [1.5939955861266883]
  本稿では,介入主義的,厳密な統計的ベンチマークへのパラダイムシフトを提案する。 我々は,ブラックボックスシーケンスマッチングゲームから正確な分布推定タスクに予測を変換する。 我々は、最先端のゼロショットモデルがコンテキストパロッキング機構と一貫して振る舞うことを発見した。
  論文  参考訳（メタデータ） (2026-03-23T17:14:11Z)
• Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning [4.546517638153619]
  既存の軌道予測器は主に負の対数的損失に依存しており、これは過度あるいは過度に信頼される分布を予測しがちである。 本稿では,予測の不確実性を校正する新たな損失関数を提案する。 提案手法は,異なる状態領域のガウス軌道予測器によって予測される信頼度の信頼性を著しく向上することを示す。
  論文  参考訳（メタデータ） (2026-03-11T04:42:49Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Unified Uncertainty-Aware Diffusion for Multi-Agent Trajectory Modeling [13.993231805213354]
  U2Diff(英語版)は、軌道の完備化を扱うために設計された、テキストを融合した拡散モデルである。 また、後処理にランクニューラルネットワークを導入し、生成されたモード毎にtextbferror の確率推定を可能にする。 本手法は,4つの挑戦的スポーツデータセットの軌跡完了と予測において,最先端のソリューションよりも優れる。
  論文  参考訳（メタデータ） (2025-03-24T11:46:58Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。