論文の概要: MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images
- arxiv url: http://arxiv.org/abs/2609.11717v1
- Date: Thu, 10 Sep 2026 15:34:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.421056
- Title: MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images
- Title（参考訳）: MC-DeTra:バードアイビュー画像における動きに耐性のある関節物体検出と社会的に認識された軌道予測
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.2864713389096699
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unified models for object detection and trajectory forecasting aim to merge perception and prediction for autonomous driving, refining actor trajectories directly over shared bird's-eye-view (BEV) images rasterized from LiDAR and high-definition maps. Their accuracy on dynamic, moving actors, however, remains the hardest part of the task, and the strongest such model, DeTra, has no public implementation. We contribute an openly released DeTra reimplementation with documented approximations, and on top of it MC-DeTra: a family of motion-consistency mechanisms that add supervision through two annotation-derived auxiliary signals -- each actor's observed past motion and the occupancy of the surrounding traffic that forms its social context -- and one inter-output consistency constraint that aligns an actor's predicted heading with its predicted direction of motion. Every proposed loss is train-only and inference-safe: it shapes the shared BEV representation during training and is removed at test time, adding no inference latency. On the Waymo Open Dataset, evaluated under a strict, detection-conditioned forecasting protocol, MC-DeTra improves dynamic, socially-situated trajectory forecasting while preserving or improving detection accuracy; a gradient-based loss-calibration analysis exposes how the auxiliary objectives compete at the shared backbone, and our ablation identifies which signals contribute most. We release code, configurations, and evaluation tooling at https://github.com/diuzhevVlad/MC-DeTra.
- Abstract（参考訳）: 物体検出と軌道予測の統一モデルは、LiDARと高精細地図から放射された共有鳥眼ビュー(BEV)画像上でのアクター軌跡の修正、自律運転の知覚と予測の融合を目的としている。
しかし、動的に動くアクターの精度はタスクの最も難しい部分であり、最も強力なモデルであるDeTraには公開実装がない。
MC-DeTraは2つのアノテーションから導かれる補助信号(各アクターの過去の動きと周囲のトラフィックの占有)を通して監督を付加する動き一貫性機構のファミリーであり、アクターの予測方向と予測される動き方向を整列する1つの出力間一貫性の制約である。
トレーニング中に共有されたBEV表現を形作り、テスト時に削除されるため、推論遅延は発生しない。
厳密な検出条件付き予測プロトコルで評価されたWaymo Open Datasetでは、MC-DeTraは、検出精度を維持したり改善したりしながら、動的で社会的に決定された軌道予測を改善する。
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。
関連論文リスト
- GeoIMO: Geometry-Driven Independent Motion Classification for Event Cameras [37.09823149373976]
本稿では,検出されたオブジェクトをイベントストリームから直接エゴモーション構造を利用して静的あるいは独立に移動させる幾何学駆動型フレームワークを提案する。
MVSECとProphesee 1 Megapixel Automotive Detectionデータセットの実験は、さまざまな運転シナリオで一貫したパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-06-23T12:30:42Z) - Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。
既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。
我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
論文 参考訳（メタデータ） (2026-01-29T10:22:38Z) - Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。
既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。
提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
論文 参考訳（メタデータ） (2025-09-22T20:15:15Z) - Tracking the Unstable: Appearance-Guided Motion Modeling for Robust Multi-Object Tracking in UAV-Captured Videos [58.156141601478794]
マルチオブジェクトトラッキング(UAVT)は、ビデオのフレーム間で一貫したアイデンティティを維持しながら、複数のオブジェクトを追跡することを目的としている。
既存の手法は、通常、動作キューと外観を別々にモデル化し、それらの相互作用を見渡して、最適下追跡性能をもたらす。
本稿では、AMC行列とMTCモジュールの2つの主要コンポーネントを通して、外観と動きの手がかりを利用するAMOTを提案する。
論文 参考訳（メタデータ） (2025-08-03T12:06:47Z) - Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。
両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
論文 参考訳（メタデータ） (2025-03-05T14:18:39Z) - ASTRA: A Scene-aware TRAnsformer-based model for trajectory prediction [15.624698974735654]
ASTRA (A Scene-aware TRAnsformer based model for trajectory prediction) は軽量な歩行者軌道予測モデルである。
我々は、U-Netベースの特徴抽出器を用いて、その潜在ベクトル表現を用いて、シーン表現をキャプチャし、グラフ対応トランスフォーマーエンコーダを用いて、ソーシャルインタラクションをキャプチャする。
論文 参考訳（メタデータ） (2025-01-16T23:28:30Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Decoder Fusion RNN: Context and Interaction Aware Decoders for
Trajectory Prediction [53.473846742702854]
本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。
Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。
提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
論文 参考訳（メタデータ） (2021-08-12T15:53:37Z) - 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) - 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)
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。