論文の概要: SSP-DMGTimeNet: Physics-Constrained Learning for Spatiotemporal Trajectory Prediction of Vehicle Platoons
- arxiv url: http://arxiv.org/abs/2609.06961v1
- Date: Mon, 07 Sep 2026 02:59:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.343356
- Title: SSP-DMGTimeNet: Physics-Constrained Learning for Spatiotemporal Trajectory Prediction of Vehicle Platoons
- Title（参考訳）: SSP-DMGTimeNet: 時空間軌道予測のための物理制約付き学習
- Abstract要約: 本研究では,車両プラットンの軌道予測のための物理制約付き学習フレームワークであるSSP-DMGTimeNetを提案する。
伝搬遅延対応因果注意機構は、上流から下流までの乱伝播を明示的にモデル化する。
実験の結果、SSP-DMGTimeNetは5車種のプラトンに対して0.65%の不安定風速を実現し、地上サブセットでは0.898のヘッド・ツー・テール増幅を実現している。
- 参考スコア（独自算出の注目度）: 20.684236937338227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing car-following prediction methods mainly optimize trajectory accuracy, while rarely considering whether predicted disturbances propagate realistically along a vehicle platoon. This limitation may lead to accurate but string-unstable predictions. We propose SSP-DMGTimeNet, a physics-constrained learning framework for spatiotemporal trajectory prediction of vehicle platoons. The model combines multi-scale temporal representations with cross-vehicle interaction features to capture complex and time-varying platoon dynamics. A propagation-delay-aware causal attention mechanism explicitly models upstream-to-downstream disturbance propagation by learning response delays between adjacent vehicles and accumulating them along the platoon. In addition, time- and frequency-domain string-stability losses relieve disturbance amplification across both adjacent vehicles and arbitrary sub-platoons during training. Experiments on HighD show that SSP-DMGTimeNet achieves an unstable-window rate of 0.65\% for five-vehicle platoons and a maximum head-to-tail amplification of 0.898 on the ground-truth excitation subset, while maintaining competitive trajectory prediction performance. In zero-shot evaluation on NGSIM US-101 and I-80, the model achieves velocity MAEs of 1.316~m/s and 1.252~m/s, with unstable-window rates of 3.90\% and 4.10\%, respectively. These results demonstrate that incorporating platoon-level physical constraints can effectively balance trajectory prediction accuracy and disturbance propagation stability.
- Abstract（参考訳）: 既存の自動車追従予測法は主に軌道精度を最適化するが、予測外乱が車小隊に沿って現実的に伝播するかどうかを考えることは稀である。
この制限は正確だが弦の不安定な予測につながる可能性がある。
本研究では,車両プラットンの時空間軌道予測のための物理制約付き学習フレームワークであるSSP-DMGTimeNetを提案する。
このモデルは、多スケールの時間的表現と車間相互作用の特徴を組み合わせることで、複雑で時間的に変化する小隊のダイナミクスを捉える。
伝搬遅延を考慮した因果注意機構は、隣接する車両間の応答遅延を学習し、小隊に沿ってそれらを蓄積することにより、上流から下流への乱れ伝搬を明示的にモデル化する。
さらに、時間領域と周波数領域の弦安定損失は、訓練中に隣接する車両と任意のサブ小隊の両方で外乱の増幅を緩和する。
HighD 実験の結果,SSP-DMGTimeNet は5車種のプラトンに対して 0.65 % の不安定風速を実現し,地中励起サブセット上では最大 0.898 のヘッド・ツー・テール増幅を実現し,競争軌道予測性能を維持した。
NGSIM US-101 と I-80 のゼロショット評価では、1.316~m/s と 1.252~m/s の速度 MAE をそれぞれ3.90\% と4.10\% で達成している。
これらの結果は,小隊レベルの物理的制約を組み込むことで,軌道予測精度と乱れ伝播安定性を効果的にバランスできることを示した。
関連論文リスト
- Dense Soft Weighting for Radar Ego-Velocity Estimation [6.356174487225252]
本稿では,エゴ速度推定のための分析レーダフロントエンドであるDense Soft Weightingを提案する。
すべてのレンジドップラーセルを2値検出閾値を強制するのではなく、連続した信頼度にマッピングする。
これは、最強のCFARポイントクラウドベースラインと比較して平均的な絶対的なポーズエラーを31-45%削減する。
論文 参考訳（メタデータ） (2026-07-29T14:37:52Z) - Next Forcing: Causal World Modeling with Multi-Chunk Prediction [65.05727210375643]
Next Forcingは、因果世界モデリングのためのマルチチャンク予測フレームワークである。
トレーニングの高速化、精度の向上、推論の高速化を実現している。
5kのトレーニングステップでLingBot-VAよりも93.1%向上し、2.3倍高速収束を実現している。
論文 参考訳（メタデータ） (2026-06-09T17:59:22Z) - Taming Perception Jitter: Uncertainty-Aware LiDAR Object Detection for Reliable Motion Classification [8.046180274721541]
不安定な境界ボックス予測は、追跡と誤った予測された軌道における急激な速度推定につながる可能性がある。
本稿では,3次元物体検出器にアレータティック不確実性推定を付加し,短時間の観測窓に2サンプルのz検定を適用し,ジッタから真の動きを分離する配置フレンドリーな緩和戦略を提案する。
論文 参考訳（メタデータ） (2026-06-08T11:24:57Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。
複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。
3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
論文 参考訳（メタデータ） (2026-02-17T15:03:05Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Knowledge-data fusion dominated vehicle platoon dynamics modeling and analysis: A physics-encoded deep learning approach [4.025546095018894]
本稿では,非線形車両小隊力学をモデル化する物理符号化深層学習ネットワークPeMTFLNを提案する。
分析可能なパラメータエンコード計算グラフ (APeCG) は、鉛車両の駆動挙動に応答するために小隊を誘導するように設計されている。
PeMTFLNのコードはオープンソースである。
論文 参考訳（メタデータ） (2025-02-09T05:10:46Z) - Robustness Benchmark of Road User Trajectory Prediction Models for
Automated Driving [0.0]
車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。
同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。
効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
論文 参考訳（メタデータ） (2023-04-04T15:47:42Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z)
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。