論文の概要: TrajFusionNet+: Transformer-Based Prediction of Pedestrian Crossing Intention via Fusion of Trajectory Representations and Scene Graphs

• arxiv url: http://arxiv.org/abs/2609.10806v1
• Date: Wed, 09 Sep 2026 20:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.134883
• Title: TrajFusionNet+: Transformer-Based Prediction of Pedestrian Crossing Intention via Fusion of Trajectory Representations and Scene Graphs
• Title（参考訳）: TrajFusionNet+: 軌道表現とシーングラフの融合による歩行者交差意図のトランスフォーマーによる予測
• Abstract要約: 歩行者横断意図タスクは、歩行者が自動運転車の観点から道路を横断する可能性を予測することである。 本稿では,歩行者横断意図予測のためのトランスフォーマーモデルであるTrajFusionNet+を紹介する。 TrajFusionNet+は、歩行者軌跡の逐次的および視覚的表現とシーンコンテキストのグラフベースの表現を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pedestrian crossing intention task involves predicting whether pedestrians are likely to cross the road from the point of view of an autonomous vehicle. We introduce TrajFusionNet+, a novel transformer-based model for pedestrian crossing intention prediction. TrajFusionNet+ combines sequential and visual representations of pedestrian trajectory with a graph-based representation of the scene context in order to predict pedestrian crossing intention. The proposed architecture builds upon our previous model, TrajFusionNet, and comprises three branches: a Sequence Attention Module (SAM), which processes a sequential representation of past and predicted pedestrian trajectories; a Visual Attention Module (VAM), which utilizes a visual representation of the pedestrian trajectories by overlaying observed and predicted bounding boxes onto scene images; and a Graph Attention Module (GAM), which extracts pedestrian-centric graphs from segmented scene images and captures the relational dependencies between pedestrians and traffic elements. TrajFusionNet+ achieves improved state-of-the-art performance on the two most widely used pedestrian crossing intention datasets, PIE and JAAD. Furthermore, we introduce a new evaluation protocol in which models are trained jointly on the PIE and JAAD datasets but evaluated separately on each. Under this setting, TrajFusionNet+ demonstrates superior generalization compared to existing approaches.
• Abstract（参考訳）: 歩行者横断意図タスクは、歩行者が自動運転車の観点から道路を横断する可能性を予測することである。 本稿では,歩行者横断意図予測のためのトランスフォーマーモデルであるTrajFusionNet+を紹介する。 TrajFusionNet+は、歩行者軌跡の逐次的および視覚的表現と、歩行者横断意図を予測するためのシーンコンテキストのグラフベース表現を組み合わせた。 提案アーキテクチャは,従来のモデルであるTrajFusionNet上に構築されており,過去および予測された歩行者軌跡の逐次的表現を処理するSequence Attention Module(SAM)と,観測および予測された境界ボックスをシーンイメージにオーバーレイすることで歩行者軌跡の視覚的表現を利用するVisual Attention Module(VAM)と,セグメント化されたシーンイメージから歩行者中心のグラフを抽出し,歩行者と交通要素間の関係をキャプチャするGraph Attention Module(GAM)の3つのブランチで構成されている。 TrajFusionNet+は、最も広く使われている歩行者横断意図データセットであるPIEとJAADにおいて、最先端のパフォーマンスを向上させる。 さらに,PIEデータセットとJAADデータセットでモデルを共同でトレーニングするが,それぞれで個別に評価する新たな評価プロトコルを提案する。 この設定の下では、TrajFusionNet+は既存のアプローチよりも優れた一般化を示している。

関連論文リスト

• TrajFusionNet: Pedestrian Crossing Intention Prediction via Fusion of Sequential and Visual Trajectory Representations [0.0]
  TrajFusionNetは、歩行者の横断意図を予測するトランスフォーマーベースのモデルである。 観測および予測された歩行者軌道と車両速度の逐次的表現から学習する。 歩行者横断意図予測に最もよく使用される3つのデータセットに対して、最先端の結果が得られている。
  論文  参考訳（メタデータ） (2025-08-27T13:29:15Z)
• GC-GAT: Multimodal Vehicular Trajectory Prediction using Graph Goal Conditioning and Cross-context Attention [0.0]
  レーングラフに基づく動き予測モデルを提案し、まずまずグラフに基づく目標提案を予測し、その後、複数のコンテキスト要素にまたがってそれらを融合する。 我々はnuScenesの動作予測データセットについて評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2025-04-15T12:53:07Z)
• PedFormer: Pedestrian Behavior Prediction via Cross-Modal Attention Modulation and Gated Multitask Learning [10.812772606528172]
  本研究では,エゴ中心の視点から,歩行者の将来の軌跡や横断行動を予測するために,異なるデータモダリティに依存する新しい枠組みを提案する。 本モデルでは, トラジェクトリとアクション予測の精度を, それぞれ22%, 13%向上した。
  論文  参考訳（メタデータ） (2022-10-14T15:12:00Z)
• DR.VIC: Decomposition and Reasoning for Video Individual Counting [93.12166351940242]
  我々は、新しい視点から歩行者計数を行う、ビデオ個別計数(VIC)を提案する。 本研究は,MOT(Multiple Object Tracking)技術に頼らず,全歩行者を第1フレームに存在する初期歩行者と第2フレームに別個の身元を持つ新歩行者に分解することで,その問題を解決することを提案する。 終端分解・推論ネットワーク (DRNet) は, 初期歩行者数を密度推定法で予測し, 新歩行者数を最適な移動量で推定するように設計されている。
  論文  参考訳（メタデータ） (2022-03-23T11:24:44Z)
• 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)
• 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)
• Vehicle Trajectory Prediction in Crowded Highway Scenarios Using Bird Eye View Representations and CNNs [0.0]
  本稿では,図形表現を用いた車両軌道予測の新しい手法について述べる。 この問題は、交通参加者間の基盤となる関係を学習するためにネットワークを訓練する画像回帰問題である。 このモデルは2つの反対の交通流で同時に30台以上の車両で高速道路のシナリオでテストされている。
  論文  参考訳（メタデータ） (2020-08-26T11:15:49Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)
• 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。