論文の概要: IMM-based Multiple Object Tracking using a State Prediction Neural Network

• arxiv url: http://arxiv.org/abs/2609.13307v1
• Date: Thu, 10 Sep 2026 13:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.207572
• Title: IMM-based Multiple Object Tracking using a State Prediction Neural Network
• Title（参考訳）: 状態予測ニューラルネットワークを用いたIMMに基づく複数物体追跡
• Abstract要約: データ駆動型Predictor-based Interacting Multiple Model Tracking(PR-IMM)を提案する。 PR-IMMは、物理に基づく運動モデルの安定性と解釈性を保ちながら、非線形な物体運動表現を改善する。 実験の結果、PR-IMMは位置推定誤差をIMMで57.3%、PRで16.5%削減した。
• 参考スコア（独自算出の注目度）: 5.276232626689568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object tracking is essential for autonomous vehicles to avoid obstacles and plan routes. Radar maintains detection performance even in adverse weather and can measure relative velocity through the Doppler effect, making it well suited for object tracking. In this paper, we propose a data-driven state PRedictor-based Interacting Multiple Model tracking method (PR-IMM) that improves nonlinear object-motion representation while preserving the stability and interpretability of physics-based motion models. The proposed method employs a transformer-based PRediction model (PR) that incorporates radar Doppler measurements to predict object displacement. The PR model is integrated into the IMM as a mode alongside the CV, CA, and CT motion models, and their prior positions are dynamically combined according to the mode probabilities. Experimental results show that PR-IMM reduces position-estimation error by 57.3% over the IMM and by 16.5% over the PR, while reducing ID switches by 25.3% and improving IDF1 by 9.6% over the IMM.
• Abstract（参考訳）: 物体追跡は、障害物や計画経路を避けるために自動運転車にとって不可欠である。 レーダーは悪天候下でも検出性能を維持し、ドップラー効果によって相対速度を測定することができ、物体追跡に適している。 本稿では,物理に基づく運動モデルの安定性と解釈性を保ちながら,非線形な物体運動表現を改善するデータ駆動型状態PRedictor-based Interacting Multiple Model Tracking法(PR-IMM)を提案する。 提案手法では, レーダードップラー計測を取り入れた変圧器を用いたPRediction Model (PR) を用いて物体変位の予測を行う。 PRモデルは、CV、CA、CTのモーションモデルと共にモードとしてIMMに統合され、そのモードの確率に応じて、その前の位置が動的に結合される。 実験の結果、PR-IMMはIMMで57.3%、PRで16.5%、IDスイッチで25.3%、IDF1で9.6%、位置推定誤差を減少させることがわかった。

関連論文リスト

• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams [2.4897806364302633]
  センサデータストリームを暗黙的に予測できるシンプルなリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 提案手法では,各コンポーネントを機械学習(ML)モデルの独立したアンサンブルとして扱うモジュール型ハイブリッドAI支援PDRシステムであるPDRNNを導入する。 動的スポーツ運動データを用いた実験により,PDRNNは従来のML法やML法に比べて精度と精度が優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T16:35:57Z)
• Time-series Meets Complex Motion Modeling: Robust and Computational-effective Motion Predictor for Multi-object Tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、監視、自律運転、ロボット工学など、多くの現実世界の応用において重要である。 我々は,拡張畳み込みと回帰ヘッドを備えた時間畳み込みネットワーク(TCN)を改良したMOTのための新しいフレームワークであるTCMP(Temporal Convolutional Motion Predictor)を紹介する。 実験結果から,提案手法は最先端性能を実現し,特にいくつかの重要な指標において,従来のベストメソッドの改善を図っている。
  論文  参考訳（メタデータ） (2026-05-01T02:51:59Z)
• 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)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• Dynamic Intent Queries for Motion Transformer-based Trajectory Prediction [36.287188668060075]
  自動運転では、他の交通参加者の動きを正確に予測することが重要である。 本研究は,MTRモデルにシーン特異的な動的意図点を統合することで,この制限に対処する。 本研究は,動的意図点の導入が軌道精度に有意な影響を与えることを示した。
  論文  参考訳（メタデータ） (2025-04-22T10:20:35Z)
• Bayesian Approximation-Based Trajectory Prediction and Tracking with 4D Radar [13.438311878715536]
  3Dマルチオブジェクトトラッキング(MOT)は自動運転車には不可欠だが、LiDARとカメラベースの手法は悪天候下では劣化する。 本研究では,4次元レーダベースMOTフレームワークであるBayes-4DRTrackを提案する。
  論文  参考訳（メタデータ） (2025-02-03T13:49:21Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。