論文の概要: Worst-Case Hidden-Vehicle Trajectory Search in Spatiotemporal Occlusion Regions
- arxiv url: http://arxiv.org/abs/2609.20480v1
- Date: Thu, 17 Sep 2026 14:33:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.324834
- Title: Worst-Case Hidden-Vehicle Trajectory Search in Spatiotemporal Occlusion Regions
- Title（参考訳）: 時空間閉塞領域における最悪のHdden-Vehicle軌道探索
- Abstract要約: HC-MTS(History-Conditioned Minimax Trajectory Search)を紹介する。
複数のフレームの可視性、占有性、セマンティックマップのサポート、クラス固有のキネマティック制約を満たす。
HC-MTSは、回避可能な6つの反例を識別する一方、法的な衝突を引き起こす攻撃者は、残りの2つの場面で検索予算内では見つからない。
- 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: Occlusion creates fundamental uncertainty in autonomous driving. Existing methods often propagate frame-wise hypotheses or optimize ego behavior against prescribed hidden-agent predictions, leaving the worst history-consistent interaction unexplored. We introduce History-Conditioned Minimax Trajectory Search (HC-MTS), which combines temporal occlusion reasoning with response-aware search. First, HC-MTS constructs finite hidden-state modes, each certified by a backward witness satisfying multi-frame visibility, occupancy, semantic-map support, and class-specific kinematic constraints. It then solves a bilevel minimax problem: an inner finite oracle maximizes the ego driving score over destination attainment and ride comfort, while the outer search selects the legal hidden-vehicle trajectory that minimizes this best-response value. Across eight Waymo Open Motion Dataset scenarios, increasing the visibility-memory horizon from K=1 to K=20 reduces the mean per-scenario vehicle, pedestrian, and total retained hidden-seed counts by 18.12%, 21.67%, and 18.45%, respectively. HC-MTS identifies six avoidable counterexamples, while no legal collision-producing attacker is found in the remaining two scenes within the finite search budget.
- Abstract（参考訳）: 閉塞は、自律運転における根本的な不確実性を生み出す。
既存の方法は、しばしばフレームワイズ仮説を広めたり、特定の隠れエージェントの予測に対してエゴの振る舞いを最適化する。
我々は,時間的排他的推論と応答認識探索を組み合わせたヒストリコンディション・ミニマックス軌道探索(HC-MTS)を提案する。
まず、HC-MTSは有限隠れ状態モードを構築し、それぞれがマルチフレームの可視性、占有性、セマンティックマップのサポート、クラス固有のキネティック制約を満たす後方証人によって認定される。
インナー有限オラクルは、目的地到達と乗り心地よりもエゴ駆動スコアを最大化し、アウターサーチは、この最も応答性の高い値を最小化する法的な隠れ車軌道を選択する。
Waymo Open Motion Datasetの8つのシナリオで、K=1からK=20への可視性メモリの水平線は、それぞれ18.12%、21.67%、および18.45%減少する。
HC-MTSは、回避可能な6つの反例を識別する一方、法的な衝突を引き起こす攻撃者は、残りの2つの場面で検索予算内では見つからない。
関連論文リスト
- AREX: Towards a Recursively Self-Improving Agent for Deep Research [75.96468303743958]
本稿では,再帰的自己改善型ディープリサーチエージェントであるAREXを紹介する。
AREXは、証拠を集め、暫定的な回答を構築する内部研究ループを交互に構成する。
我々は,エージェント学習と長期強化学習を通じて,AREXを検証済みの合成タスクと高品質な軌道上で訓練する。
論文 参考訳（メタデータ） (2026-07-23T16:05:46Z) - REMIND: RE-Identification with Memory for INDoor Navigation [39.146761527401424]
モノクロRGB画像からの屋内ジェネリックオブジェクトの長期的多目的再識別のためのオンライントラッカー。
視覚的認知の証拠によって、人間は明示的な自己ローカライゼーションではなく、蓄積した外観の親しみと空間的コンテキストに依存している。
ScanNet++では、すべてのシーンで1つのエンドツーエンド検出を除いて、すべての設定で最高のIDF1を達成している。
論文 参考訳（メタデータ） (2026-07-10T10:30:50Z) - OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。
既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。
本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
論文 参考訳（メタデータ） (2026-04-18T20:23:27Z) - Map-Agnostic And Interactive Safety-Critical Scenario Generation via Multi-Objective Tree Search [7.691544372846608]
本稿では,モンテカルロ木探索による交通流レベルの安全クリティカルシナリオ生成のための新しいフレームワークを提案する。
探索効率とリスク逆決定のバランスをとるために, ハイブリッドな上信頼境界 (UCB) と下信頼境界 (LCB) 探索戦略を導入する。
香港の複雑な都市環境における4つの高リスク事故帯にまたがるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-04T12:19:02Z) - CAHC:A General Conflict-Aware Heuristic Caching Framework for Multi-Agent Path Finding [0.0]
我々は、状態と関連する制約コンテキストの両方に基づいて値をキャッシュする一般的なフレームワークであるtextbfCAHC(Conflict-Aware Heuristic Caching)を提案する。
カーライクロボットにおけるCL-CBSのケーススタディを通じてCAHCを実演し、コンフリクト対応キャッシングと適応ハイブリッドを併用したtextbfCARCHASE(Car-like Robot Conflict-Aware Heuristic Adaptive Search Enhancement)を提案する。
キーとなるイノベーションは、(1)制約が状態のコンテキストに影響を及ぼすことを効率的にエンコードするコンパクトなEmphconflict指紋、(2)ドメイン適応型指紋である。
論文 参考訳（メタデータ） (2025-12-13T08:42:18Z) - ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。
ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。
提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
論文 参考訳（メタデータ） (2025-10-21T06:51:30Z) - Multimodal-Enhanced Objectness Learner for Corner Case Detection in Autonomous Driving [3.691985862357611]
本稿では,未知クラスと未知クラスとの差を減らし,マルチモーダル・エンハンスド・オブジェクトネスの概念を導入する方法を提案する。
コーナケース検出のためのMENOL(Multimodal-Enhanced Objectness Learner)アプローチは,トレーニングコストの低い新しい授業のリコールを大幅に改善する。
論文 参考訳（メタデータ） (2024-02-03T04:47:03Z) - SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。
SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。
大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文 参考訳（メタデータ） (2022-07-10T11:18:26Z) - Exploring Visual Context for Weakly Supervised Person Search [155.46727990750227]
人探索は、歩行者の検出と人物の再識別を共同で扱う、困難なタスクとして最近登場した。
既存のアプローチは、バウンディングボックスとIDアノテーションの両方が利用可能な完全に教師付き設定に従っている。
本稿では,ボックスアノテーションのみを用いた弱教師付き人物検索について実験的に考察する。
論文 参考訳（メタデータ） (2021-06-19T14:47:13Z)
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。