論文の概要: FORTE: Forecasting Occupancy for Spatiotemporal Risk-Aware Planning in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2609.39305v1
• Date: Wed, 30 Sep 2026 08:46:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.455484
• Title: FORTE: Forecasting Occupancy for Spatiotemporal Risk-Aware Planning in Dynamic Environments
• Title（参考訳）: FORTE:動的環境における時空間リスク対応計画の予測
• Abstract要約: FORTEの予測では、最大で215.3%高いIGGと5.24倍高速な推論を実現し、ナビゲーションでは3.5倍高い成功率を得る。
• 参考スコア（独自算出の注目度）: 1.4753273953847998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe navigation in dynamic environments requires anticipating future environmental states to account for spatiotemporal risks, specifically when and where collisions may occur. To this end, occupancy grid map (OGM) prediction has been widely adopted as an effective approach. However, existing OGM-based navigation methods often struggle to achieve accurate and efficient forecasting and fail to fully exploit the temporal information in predicted OGMs during planning. To address these challenges, we propose FORTE, a navigation framework that directly exploits the spatiotemporal evolution of predicted occupancy from the perspectives of spatiotemporal occupancy overlap and occupancy directivity. Based on these properties, FORTE evaluates multiple topology-distinct paths and selects the suitable one without explicit object detection or tracking. To support online planning, we formulate a latent diffusion model-based OGM predictor that generates the entire forecast horizon in a non-autoregressive manner while maintaining temporal consistency through temporal shift modules. Extensive evaluations demonstrate that FORTE outperforms state-of-the-art baselines. For prediction, FORTE achieves up to 215.3% higher IoU and 5.24x faster inference; for navigation, it yields up to a 3.5x higher success rate.
• Abstract（参考訳）: 動的環境における安全な航法は、時空間的リスク、特にいつどこで衝突が起こるかを説明するために将来の環境状態を予測する必要がある。 この目的のために、占有グリッドマップ(OGM)予測は、効果的なアプローチとして広く採用されている。 しかし、既存のOGMベースのナビゲーション手法は、正確で効率的な予測を達成するのに苦慮し、予測されたOGMの時間的情報を完全に活用することができないことが多い。 これらの課題に対処するために,時空間占有の重複と占有指向性の観点から,予測占有率の時空間進化を直接的に活用するナビゲーションフレームワークFORTを提案する。 これらの特性に基づいて、FORTTは複数のトポロジ固有のパスを評価し、対象の明示的な検出や追跡なしに適切なパスを選択する。 オンライン計画を支援するために,時間的シフトモジュールによる時間的一貫性を維持しつつ,予測水平線全体を非自己回帰的に生成する潜時拡散モデルに基づくOGM予測器を定式化する。 大規模な評価は、FORTが最先端のベースラインより優れていることを示している。 FORTEの予測では、最大で215.3%のIoUと5.24倍の高速な推論が達成され、ナビゲーションでは3.5倍の成功率を得る。

関連論文リスト

• SKETCH: Semantic Key-Point Conditioning for Long-Horizon Vessel Trajectory Prediction [3.870589001283509]
  セマンティックキーポイント条件付き軌道モデリングフレームワークを提案する。 長距離予測を大域的意味決定と局所運動モデリングに分解する。 実世界のAISデータを用いた実験では,提案手法が常に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-26T14:42:31Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Self-supervised Multi-future Occupancy Forecasting for Autonomous Driving [31.995016095663544]
  LiDARで生成された占有グリッドマップ(L-OGM)は、シーン表現のための頑丈な鳥眼ビューを提供する。 提案するフレームワークであるLOPR(Latent Occupancy Prediction)は、生成アーキテクチャの潜在空間においてL-OGM予測を行う。
  論文  参考訳（メタデータ） (2024-07-30T18:37:59Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models [9.885060319609831]
  既存の手法は信頼性が高く偏りのない予測環境を前提としており、必ずしも野生では利用できない。 我々は,すべてのデータソースを同時に攻撃する代わりに,現実的な敵攻撃フレームワークを提案する。 理論的には、敵の交通予測攻撃の最悪の性能境界を実証する。
  論文  参考訳（メタデータ） (2022-10-05T02:25:10Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)

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。