論文の概要: Vehicle Trajectory Prediction via Neural Fusion of Multiple EKF-Based Trajectory Candidates

• arxiv url: http://arxiv.org/abs/2609.19813v1
• Date: Thu, 17 Sep 2026 07:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.137695
• Title: Vehicle Trajectory Prediction via Neural Fusion of Multiple EKF-Based Trajectory Candidates
• Title（参考訳）: 複数のEKF系軌道候補のニューラルフュージョンによる車両軌道予測
• Abstract要約: 本研究では,ニューラルネットワークに基づくトラジェクタであるTrajectron++の出力を,拡張Kalmanフィルタ(EKF)に基づく複数トラジェクタ候補を後期に融合させるフレームワークを提案する。 nuScenesデータセットでは,Trajectron++のロボットベースラインの平均変位誤差と最終変位誤差をそれぞれ13.7%,14.6%削減する。
• 参考スコア（独自算出の注目度）: 3.652509571098291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the future trajectories of surrounding vehicles in autonomous driving is important for collision risk assessment and safe ego-vehicle path planning. Conventional neural network-based trajectory predictors typically achieve strong prediction performance by exploiting agent history, dynamic scene graphs, and semantic maps. However, in specific motion regimes such as acceleration, deceleration, and turning, these predictors may fail to reflect physically feasible trajectories. To address this issue, this study proposes a framework that fuses the output of Trajectron++, a neural network-based trajectory predictor, with extended Kalman filter (EKF)-based multiple trajectory candidates at a late stage. On the nuScenes dataset, the proposed method reduces the average displacement error and final displacement error of the Trajectron++ robot baseline by 13.7% and 14.6%, respectively, without modifying the baseline architecture. These results indicate that EKF-based trajectory candidates can effectively complement neural trajectory prediction through learned fusion.
• Abstract（参考訳）: 衝突リスク評価とエゴ車道計画には, 周囲の車両の将来の軌道予測が重要である。 従来のニューラルネットワークベースの軌道予測器は、エージェント履歴、動的なシーングラフ、セマンティックマップを利用して、強い予測性能を達成するのが一般的である。 しかし、加速、減速、旋回のような特定の運動系では、これらの予測器は物理的に実現可能な軌道を反映できない可能性がある。 この問題に対処するため,ニューラルネットワークベースのトラジェクタであるTrajectron++の出力を,拡張Kalmanフィルタ(EKF)ベースの複数のトラジェクタ候補を遅い段階で融合させるフレームワークを提案する。 nuScenesデータセットでは,Trajectron++ロボットのベースラインの平均変位誤差と最終変位誤差を,ベースラインアーキテクチャを変更することなく,それぞれ13.7%,14.6%削減する。 これらの結果は,EKFに基づく軌道候補が,学習融合による神経軌道予測を効果的に補完できることを示唆している。

関連論文リスト

• Constant Time-Delay Leader Following with Neural Networks and Invariant Extended Kalman Filters for Arbitrary Trajectories [0.9176056742068813]
  本稿では,車両間通信を使わずに走行する車両の時間遅延軌道追跡手法を提案する。 この方法は、確率論的シーケンス・ツー・シーケンス(Seq2Seq)ニューラルネットワークと不変拡張カルマンフィルタ(IEKF)を統合し、予測プロセスのウォームスタートを行う。 本手法の有効性は, 純粋なIEKFベースライン, 学習に基づく手法, および基礎トラジェクトリとの比較により, キネマティックシミュレーションにおいて検証される。
  論文  参考訳（メタデータ） (2026-06-17T16:04:58Z)
• 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)
• Boundary-Guided Trajectory Prediction for Road Aware and Physically Feasible Autonomous Driving [11.436186697804835]
  本稿では,軌道予測を許容駆動方向とその境界によって導かれる制約付き回帰として定式化する新しい枠組みを提案する。 我々は,HPTRベースラインに対するArgoverse-2データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-05-10T19:21:00Z)
• Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles [4.1268583353286]
  本研究は、車両軌道予測ターゲット(VTPred)の時空間注意に基づく手法を提案する。 車両軌道を向き付けられたグラフにマッピングし、その後、グラフ注意ネットワーク(GAT)を介して空間特性を抽出する。 トランスフォーマー技術は、シーケンスから時間的特徴を得るために使われ、正確な軌道予測をもたらす。
  論文  参考訳（メタデータ） (2025-01-01T16:37:24Z)
• An End-to-End Vehicle Trajcetory Prediction Framework [3.7311680121118345]
  将来の軌道の正確な予測は、以前の軌道に依存するだけでなく、近くの他の車両間の複雑な相互作用のシミュレーションにも依存する。 この問題に対処するために構築されたほとんどの最先端のネットワークは、軌跡をたどって容易に利用できると仮定している。 本稿では,生のビデオ入力を取り込み,将来の軌跡予測を出力する新しいエンドツーエンドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-04-19T15:42:03Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Human Trajectory Prediction via Counterfactual Analysis [87.67252000158601]
  複雑な動的環境における人間の軌道予測は、自律走行車やインテリジェントロボットにおいて重要な役割を果たす。 既存のほとんどの手法は、歴史の軌跡や環境からの相互作用の手がかりから行動の手がかりによって将来の軌跡を予測することを学習している。 本研究では,予測軌跡と入力手がかりの因果関係を調べるために,人間の軌跡予測に対する反実解析手法を提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:41:34Z)
• 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)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。