論文の概要: EgoRefine: Ego-Referenced Predictive Alignment and Trajectory-Conditioned Reliability-Aware Fusion for Asynchronous Collaborative Perception
- arxiv url: http://arxiv.org/abs/2610.00319v1
- Date: Tue, 29 Sep 2026 04:07:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.608984
- Title: EgoRefine: Ego-Referenced Predictive Alignment and Trajectory-Conditioned Reliability-Aware Fusion for Asynchronous Collaborative Perception
- Title（参考訳）: EgoRefine: Asynchronous Collaborative PerceptionのためのEgo-referenceed Predictive Alignment and Trajectory-Conditioned Reliability-Aware Fusion
- Abstract要約: 協調的知覚により、連結エージェントは3次元物体検出のための相補的な観察を共有できる。
本稿では,エゴ参照予測アライメントと信頼性を考慮した融合フレームワークであるEgoRefineを提案する。
EgoRefine は、それぞれ AP@0.5 と AP@0.7 で、TraF-Align を 1.6 と 2.9 で上回っている。
- 参考スコア（独自算出の注目度）: 22.48523445312171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative perception enables connected agents to share complementary observations for 3D object detection, extending sensing range and mitigating occlusion. Under asynchronous communication, however, cooperative features arrive with temporal delay. Existing prediction-based methods compensate for these features mainly from the transmitting agent's own history, leaving residual misalignment with the ego agent's current observation; subsequent fusion also often overlooks spatial variations in alignment quality. We propose EgoRefine, an ego-referenced predictive alignment and reliability-aware fusion framework for asynchronous collaborative perception. Its Ego-referenced Predictive Alignment module uses the current ego feature to guide cooperative trajectory-field prediction and refines the sampling offsets along an ego-referenced trajectory direction. Its Trajectory-conditioned Reliability-aware Fusion module treats the trajectory discrepancy between the ego and cooperative streams and the directional refinement magnitude as alignment cues, using them to condition the relation between aligned features and adaptively reweight the two streams before convolutional fusion. Experiments on V2V4Real and DAIR-V2X-Seq show that EgoRefine outperforms TraF-Align by 1.6 and 2.9 points on average in AP@0.5 and AP@0.7, respectively. The source code will be made publicly available at https://github.com/godk0509/EgoRefine.
- Abstract（参考訳）: 協調的知覚により、連結エージェントは3次元物体検出、センシング範囲の延長、閉塞軽減のための相補的な観察を共有できる。
しかし非同期通信では、協調的な機能は時間的に遅れる。
既存の予測に基づく手法は、送信エージェントの履歴から主にこれらの特徴を補うものであり、エゴエージェントの現在の観測と相違点が残っており、その後の融合はしばしばアライメント品質の空間的変動を見落としている。
EgoRefineは、非同期協調認識のためのエゴ参照予測アライメントと信頼性認識融合フレームワークである。
Ego-referenced Predictive Alignmentモジュールは、現在のego機能を使用して、協調軌道場予測をガイドし、ego-referenced trajectory方向に沿ってサンプリングオフセットを洗練する。
Trajectory-conditioned Reliability-aware Fusionモジュールは、エゴストリームと協調ストリームの間の軌道のずれと方向の洗練度をアライメントキューとして扱う。
V2V4RealとDAIR-V2X-Seqの実験では、EgoRefineはそれぞれAP@0.5とAP@0.7の平均でTraF-Alignを1.6および2.9ポイント上回っている。
ソースコードはhttps://github.com/godk0509/EgoRefineで公開されている。
関連論文リスト
- From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。
コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。
HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-08T12:06:23Z) - INTACT: Ego-Guided Typed Sparse Evidence Retrieval for Heterogeneous Collaborative Perception [50.64511548643398]
異種知覚のためのエゴ誘導型スパースエビデンス検索フレームワークを提案する。
IntACTは、エゴの車両に、疑わしい物やエビデンスに欠ける地域を表す型付きエビデンスクエリを発行する。
シミュレーションおよび実世界の異種知覚ベンチマークの実験は、INTACTの有効性とデプロイ性を検証する。
論文 参考訳（メタデータ） (2026-06-03T04:34:53Z) - EgoAction: Egocentric Action Composition with Reliability-Aware Temporal Fusion for the EPIC-KITCHENS Action Detection Challenge at CVPR 2026 [69.56534058291463]
EgoActionは、統合された分離された検出と融合パイプラインである。
パイプラインはEPICに精細化されたVideoMAE-L機能を使用し、因果時間モデルを用いて名詞と動詞の時間的検出器を分離する。
EgoActionは、エゴセントリックな時間的行動検出のためのコンパクトで再現可能なシステムを提供する。
論文 参考訳（メタデータ） (2026-05-23T10:05:56Z) - BOLT: Online Lightweight Adaptation for Preparation-Free Heterogeneous Cooperative Perception [16.786867034485027]
本稿では,ego-as-Teacher蒸留により隣接する機能をオンラインに適応させる軽量なプラグイン・アンド・プレイモジュールBOLTを提案する。
わずか0.9Mのトレーニング可能なパラメータで、BOLTはAP@50を32.3ポイントまで改善した。
論文 参考訳（メタデータ） (2026-05-01T04:53:50Z) - TraF-Align: Trajectory-aware Feature Alignment for Asynchronous Multi-agent Perception [7.382491303268417]
TraF-Alignは、過去の観測からエゴ車両の現在までの物体の特徴レベル軌道を予測することによって、特徴のフローパスを学習する。
このアプローチは空間的不整合を補正し、エージェント間のセマンティックな一貫性を確保し、効果的に動きを補償する。
2つの実世界のデータセットであるV2V4RealとDAIR-V2X-Seqの実験は、TraF-Alignが非同期協調知覚のための新しいベンチマークを設定していることを示している。
論文 参考訳（メタデータ） (2025-03-25T06:56:35Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - Bidirectional Progressive Transformer for Interaction Intention Anticipation [20.53329698350243]
双方向進行機構を相互作用意図の予測に導入する。
トラジェクトリユニットとC-VAEを用いて、トラジェクトリや相互作用ホットスポットに適切な不確実性を導入する。
提案手法は,3つのベンチマークデータセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2024-05-09T05:22:18Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Real-Time Motion Prediction via Heterogeneous Polyline Transformer with
Relative Pose Encoding [121.08841110022607]
既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。
K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。
エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
論文 参考訳（メタデータ） (2023-10-19T17:59:01Z) - A Cooperative Perception System Robust to Localization Errors [8.65435011972241]
我々はOptiMatchと呼ばれる分散オブジェクトレベルの協調認識システムを提案する。
検出された3Dバウンディングボックスと局所状態情報は、接続された車両間で共有される。
実験の結果,提案手法は最先端のベンチマーク融合方式よりも優れていた。
論文 参考訳（メタデータ） (2022-10-12T15:07:24Z)
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。