論文の概要: PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout

• arxiv url: http://arxiv.org/abs/2609.07328v1
• Date: Mon, 07 Sep 2026 10:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.412945
• Title: PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout
• Title（参考訳）: PV-WM:Articulated Pedestrian-Vehicle Co-Rolloutのための異種マイクロマクロ世界モデル
• Abstract要約: PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。 歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。 824の文脈で、797が有効な将来の車両支援を提供し、PV-WMはRoot ADEを5.2%削減し、MPJPEを7.6%、P-V距離誤差を11.9%削減した。
• 参考スコア（独自算出の注目度）: 36.25772061017794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local pedestrian-vehicle forecasting spans heterogeneous physical scales: pedestrians combine root locomotion with articulated motion, whereas vehicles are rigid bodies described by kinematic state and oriented extent. Existing road-agent forecasters typically omit pedestrian articulation, while pose forecasters leave vehicle futures outside the learned rollout. We introduce PV-WM, a history-only world model over structured post-perception tracks. It recurrently advances pedestrian root motion, 15-joint articulation, and learned vehicle states within a synchronized heterogeneous state. The generated pedestrian and vehicle chunks supply the next recurrent boundary; vehicle boxes are reconstructed from predicted center and heading with observed extent, and P-V geometry is recomputed after every transition. Relative to a matched one-shot complete-state predictor, recurrent execution reduces Root ADE by 12.7% and MPJPE by 14.8%. Feedback interventions show that later predictions depend on the content, temporal order, and pedestrian identity of generated articulation. Across 824 aligned Waymo contexts, with 797 providing valid future vehicle support, PV-WM reduces Root ADE by 5.2%, MPJPE by 7.6%, P-V distance error by 11.9%, and oriented-box closest-approach error by 5.8% relative to a validation-selected Modular Specialist. The single-network model uses 57.1% fewer parameters, 96.5% lower average FLOPs per local scene, and 25.5% lower measured p95 latency. PV-WM unifies this heterogeneous future state while preserving type-specific pedestrian and vehicle dynamics.
• Abstract（参考訳）: 歩行者は根運動と関節運動を結合し、一方車両は運動状態と向きのある範囲で説明される剛体である。 既存の道路支援予測者は、通常歩行者の関節を省略し、ポーズ予測者は学習したロールアウトの外に車両の将来を置き去りにする。 PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。 歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。 生成した歩行者と車両のチャンクは次の再帰境界を供給し、車両のボックスは予測された中心から再構成され、観測範囲で再構築され、P-V形状は遷移毎に再計算される。 一致した1ショットの完全状態予測器と比較して、繰り返し実行されるとRoot ADEは12.7%減少し、MPJPEは14.8%減少する。 フィードバックの介入は、後続の予測が生成した調節の内容、時間順、歩行者の同一性に依存することを示している。 Waymo 824のコンテクストでは、797が有効な将来の車両サポートを提供しており、PV-WMはRoot ADEを5.2%削減し、MPJPEは7.6%、P-V距離誤差は11.9%、指向性ボックスの最も近い誤差は5.8%削減した。 シングルネットワークモデルは57.1%のパラメータ、96.5%のローカルシーン毎の平均FLOP、25.5%のp95レイテンシを使用する。 PV-WMは、タイプ固有の歩行者と車両のダイナミクスを保持しながら、この異種将来の状態を統一する。

関連論文リスト

• SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation [0.0]
  本稿では、重度条件付きdenoising diffusion probabilistic model(DDPM)であるSevDiffを紹介する。 衝突の重大度が要求と一致し、ヒットレートメトリックで評価された、ペア化された車両の相互作用軌跡を生成する。 TTCで0.5-1.5秒、2.0-2.5秒で97-99%、TTC = 5.0秒で39%と優雅に劣化する。
  論文  参考訳（メタデータ） (2026-07-13T22:17:48Z)
• A Dynamic Scene Interaction Reasoning Framework for Scene-level Lane-Change Intention and Trajectory Prediction of Multiple Interacting Vehicles [6.830580384536778]
  本研究では,交通現場における車両の車線変更意図と将来の軌跡を予測する動的シーングラフアテンションフレームワークを提案する。 NGSIM I-80、NGSIM US-101、高次元データセットの実験では、競合するベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-02T23:55:53Z)
• NOVA: Symbolic Regression Discovery of Interpretable Car-Following and Lane-Change Models with Driver Heterogeneity [1.889930012459364]
  NOVAは自動車追尾および車線変更構造のための自律的な象徴的回帰フレームワークである。 NGSIM I-80とUS-101データセットからの4,765,788のアクティブな運転観察に適用される。 NOVAは502人のドライバーに対して厳格な車両IDホールドアウトの下で67.4%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-06-09T08:47:39Z)
• HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
  HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。 HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
  論文  参考訳（メタデータ） (2026-02-03T12:12:47Z)
• Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction [0.0]
  市内の道路横断グラフ上に道路利用者軌道を表す道路ノード中心の枠組みを導入する。 これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。 我々のモデルは6つの最先端のベースラインを最大17ポイントの精度で1ホップで、MRRで10ポイントの精度で上回ります。
  論文  参考訳（メタデータ） (2025-08-02T13:47:12Z)
• LTMSformer: A Local Trend-Aware Attention and Motion State Encoding Transformer for Multi-Agent Trajectory Prediction [6.520837230073969]
  軌道予測のための時間空間相互作用特徴を抽出する軽量なフレームワークLTMSformerを提案する。 また、アクセラレーション、ジャーク、誘導などの高次動作状態属性を組み込むモーションステートも構築しています。 実験の結果,HVT-64法はベースラインよりも優れ,minADE法は約4.35%,minFDE法8.74%,MR法20%の低下を示した。
  論文  参考訳（メタデータ） (2025-07-07T03:33:14Z)
• Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
  歩行者の立ち止まりと予測の新たな課題を紹介します。 都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。 歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
  論文  参考訳（メタデータ） (2022-03-04T18:39:31Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• What-If Motion Prediction for Autonomous Driving [58.338520347197765]
  生存可能なソリューションは、道路レーンのような静的な幾何学的文脈と、複数のアクターから生じる動的な社会的相互作用の両方を考慮しなければならない。 本稿では,解釈可能な幾何学的(アクター・レーン)と社会的(アクター・アクター)の関係を持つグラフに基づく注意的アプローチを提案する。 提案モデルでは,道路レーンやマルチアクターの相互作用を仮定的に,あるいは「何」かで予測できる。
  論文  参考訳（メタデータ） (2020-08-24T17:49:30Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。