Fugu-MT 論文翻訳(概要): Kernel-Based Metrics Learning for Uncertain Opponent Vehicle Trajectory Prediction in Autonomous Racing

論文の概要: Kernel-Based Metrics Learning for Uncertain Opponent Vehicle Trajectory Prediction in Autonomous Racing

arxiv url: http://arxiv.org/abs/2609.17147v1
Date: Tue, 15 Sep 2026 13:13:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.532636
Title: Kernel-Based Metrics Learning for Uncertain Opponent Vehicle Trajectory Prediction in Autonomous Racing
Title（参考訳）: 自律走行における不確実な対向車軌道予測のためのカーネルベースメトリックス学習
Abstract要約: 本研究では、対向車(OV)の多様な駆動方針をしっかりと捉えるために設計されたDeep Kernel Learning(DKL)のための異種カーネルメトリクスを提案する。提案されたカーネルメトリクスの重要な特長は、同様の駆動ポリシーを整列し、教師なしの方法で異種を解離する能力にある。提案手法の有効性は,1/10スケールのレースカープラットフォームに関する実験的研究を通じて検証した。
参考スコア（独自算出の注目度）: 5.667845664937292
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous racing confronts significant challenges in safely overtaking Opponent Vehicles (OVs) that exhibit uncertain trajectories, stemming from unknown driving policies. To address these challenges, this study proposes heterogeneous kernel metrics for Deep Kernel Learning (DKL), designed to robustly capture the diverse driving policies of OVs, and carry out precise trajectory predictions along with the associated uncertainties. A key virtue of the proposed kernel metrics lies in their ability to align similar driving policies and disjoin dissimilar ones in an unsupervised manner, given the observed interactions between the Ego Vehicle (EV) and OVs. The efficacy of the proposed method is substantiated through experimental studies on a 1/10th scale racecar platform, demonstrating improved prediction accuracy and thereby safely overtaking against OVs. Furthermore, our method is computationally efficient for onboard computing units, affirming its viability in fast-paced racing environments. The video and source code can be found at https://github.com/HMCL-UNIST/OpponentPredictionWithKMDKL.git.
Abstract（参考訳）: 自律レースは、未知の運転方針から生じる不確実な軌道を示す対向車(OV)を安全に克服する上で重要な課題に直面している。これらの課題に対処するため, 深層カーネル学習(DKL)のための異種カーネルメトリクスを提案し, 多様なOVの駆動方針を確実に把握し, 関連する不確実性とともに正確な軌道予測を行う。提案されたカーネルメトリクスの重要な特長は、Ego Vehicle(EV)とOV間の観測された相互作用を考えると、同様の駆動ポリシーを整列し、非教師なしの方法で異種を解離する能力にある。提案手法の有効性は,1/10スケールのレースカープラットフォーム上での実験実験により実証され,予測精度が向上し,OVに対する安全性が向上した。さらに,本手法は車載計算ユニットに対して計算効率が高く,高速ペースのレース環境での有効性を確認した。ビデオとソースコードはhttps://github.com/HMCL-UNIST/OpponentPredictionWithKMDKL.gitで見ることができる。

関連論文リスト

Knowledge-Data-Dual-Driven Reinforcement Learning for Autonomous Vehicle Control in Mixed Traffic [7.833666254318349]
混合交通では、自動運転車(AV)の意思決定は3つの相互関連課題に直面している。第一に、物理学に基づく先駆者は、潜伏した対話的な車両の意図や多様なドライバーの振る舞いを捉えない。第二に、周囲の車両による急激な操作は非定常性を引き起こし、ロングテールの安全イベントは未調査のままである。第三に、ハイブリッドアクション空間は、連続車追従と離散車線変更操作の時間スケールが異なるため、統一的なRLトレーニングを不安定にする。
論文参考訳（メタデータ） (2026-08-14T02:07:13Z)
From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。実験の結果、最大40.6%のトレーニングステップが短縮された。
論文参考訳（メタデータ） (2026-06-12T02:13:55Z)
CBANet: A Compact Attention-Based CNN-BiLSTM Network for Aggressive Driving Event Detection [7.82687682320363]
攻撃的な運転は交通事故の大きな原因であり、道路安全に深刻な脅威をもたらす。深層学習法は、車両センサデータから危険運転行動を検出するための有望な結果を示している。しかし、実際の環境での性能は、厳しいデータ不均衡、ドライバー間の大きなばらつき、物理的に解釈可能な車両力学表現の欠如によって制限されることが多い。
論文参考訳（メタデータ） (2026-05-22T10:30:28Z)
Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文参考訳（メタデータ） (2025-09-24T13:35:15Z)
ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
論文参考訳（メタデータ） (2025-06-09T03:14:04Z)
Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions [7.735477839355801]
本稿では,DAG(Deep Reinforcement Learning, 深層強化学習)アルゴリズムを用いた意思決定フレームワークを提案する。提案手法の性能を評価するため, 模擬環境下での車線変更シナリオにおいて, 提案手法を検証, 適用することができる。
論文参考訳（メタデータ） (2025-04-28T17:24:04Z)
Autonomous Driving With Perception Uncertainties: Deep-Ensemble Based Adaptive Cruise Control [6.492311803411367]
ブラックボックスDeep Neural Networks (DNN) を用いた高度な認識システムは、人間のような理解を実証する。予測不可能な振る舞いと解釈可能性の欠如は、安全クリティカルなシナリオへの展開を妨げる可能性がある。
論文参考訳（メタデータ） (2024-03-22T19:04:58Z)
Probabilistic Prediction of Longitudinal Trajectory Considering Driving Heterogeneity with Interpretability [12.929047288003213]
本研究では,混合密度ネットワーク(MDN)を組み合わせた軌道予測フレームワークを提案する。提案するフレームワークは、広範囲の車両軌道データセットに基づいてテストされる。
論文参考訳（メタデータ） (2023-12-19T12:56:56Z)
Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
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)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)

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。