論文の概要: Context-aware Attention-based Gaussian Mixture Models for Vehicular Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2610.09174v1
- Date: Tue, 06 Oct 2026 22:18:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.633041
- Title: Context-aware Attention-based Gaussian Mixture Models for Vehicular Trajectory Prediction
- Title（参考訳）: 文脈認識アテンションに基づく気道軌跡予測のためのガウス混合モデル
- Abstract要約: 本稿では,不確実性を考慮した動き予測のためのコンテキストアウェアアテンションに基づくガウス混合モデル(CAA-GMM)を提案する。
提案手法は,シーンコンテキストとエージェントダイナミクスの両方を条件とした確率的混合として,将来の動きをモデル化する。
ライトウェイトアテンション機構は、エージェント間相互作用とコンテキストサリエンスを適応的に符号化し、密集した交通シーンにおける環境手がかりと動き履歴の効率的な融合を可能にする。
- 参考スコア（独自算出の注目度）: 3.337790639927531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable and interpretable trajectory prediction is critical for cooperative and autonomous driving in complex and uncertain environments. This paper introduces a Context-Aware Attention-based Gaussian Mixture Model (CAA-GMM) for multimodal, uncertainty-aware motion forecasting. The proposed approach models future motion as a probabilistic mixture conditioned on both scene context and agent dynamics, capturing diverse behavioral modes with interpretable Gaussian components. A lightweight attention mechanism adaptively encodes inter-agent interactions and contextual salience, enabling efficient fusion of rasterized environment cues and motion history in dense traffic scenes. Comprehensive evaluations on the nuScenes and Argoverse 2 datasets demonstrate that CAA-GMM achieves competitive or superior accuracy compared with state-of-the-art raster-based baselines, while maintaining low computational complexity. Ablation analyses confirm the importance of the attention module for robust contextual reasoning and predictive precision. Furthermore, evaluations under imperfect communication and perception conditions highlight the framework's resilience to uncertainty, establishing CAA-GMM as an efficient and scalable solution for cooperative trajectory prediction in intelligent transportation systems.
- Abstract（参考訳）: 信頼性と解釈可能な軌道予測は、複雑で不確実な環境での協調運転および自律運転において重要である。
本稿では,マルチモーダルかつ不確実性を考慮した動き予測のためのコンテキストアウェアアテンションに基づくガウス混合モデル(CAA-GMM)を提案する。
提案手法は,シーンコンテキストとエージェントダイナミクスの両方に条件付き確率的混合として将来の動きをモデル化し,解釈可能なガウス成分を用いて多様な動作モードをキャプチャする。
ライトウェイトアテンション機構は、エージェント間相互作用とコンテキストサリエンスを適応的に符号化し、密集した交通シーンにおけるラスタライズされた環境手がかりと動き履歴の効率的な融合を可能にする。
nuScenesとArgoverse 2データセットに関する総合的な評価は、CAA-GMMが計算複雑性を低く保ちながら、最先端のラスタベースラインと比較して、競争力または優れた精度を達成することを示した。
アブレーション解析は、頑健な文脈推論と予測精度のためのアテンションモジュールの重要性を裏付ける。
さらに、不完全なコミュニケーションや知覚条件下での評価は、このフレームワークの不確実性に対するレジリエンスを強調し、インテリジェント交通システムにおける協調軌道予測のための効率的でスケーラブルなソリューションとしてCAA-GMMを確立する。
関連論文リスト
- Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。
この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。
提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
論文 参考訳（メタデータ） (2026-06-15T18:19:17Z) - TIGFlow-GRPO: Trajectory Forecasting via Interaction-Aware Flow Matching and Reward-Driven Optimization [32.62793132656069]
本稿では,フローベーストラジェクトリ生成と行動規則を整合させる2段階生成フレームワークを提案する。
実験により, TIGFlowGRP-FlowOは, より社会的に適合し, 物理的に実現可能な軌道を生成しながら, 予測精度と長期安定性を向上することが示された。
これらの結果から,提案フレームワークは動的マルチメディア環境において,フローベーストラジェクトリモデリングと行動認識アライメントを結合する有効な手段を提供する可能性が示唆された。
論文 参考訳（メタデータ） (2026-03-26T01:59:10Z) - CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。
最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。
提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
論文 参考訳（メタデータ） (2026-03-06T15:11:58Z) - Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。
SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
論文 参考訳（メタデータ） (2025-09-20T17:09:14Z) - Trajectory Mamba: Efficient Attention-Mamba Forecasting Model Based on Selective SSM [16.532357621144342]
本稿では、選択状態空間モデル(SSM)に基づく新しい効率的な軌道予測フレームワークであるTrajectory Mambaを紹介する。
注意機構の変更による予測精度の潜在的な低減に対処するため,共同ポリリン符号化戦略を提案する。
本モデルでは,Argoverse 1 と Argoverse 2 の両方のデータセットにおける推定速度とパラメータ効率の両面から,最先端の結果が得られる。
論文 参考訳（メタデータ） (2025-03-13T21:31:12Z) - 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) - MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and
Guided Intention Querying [110.83590008788745]
自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。
本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。
最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。
複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
論文 参考訳（メタデータ） (2023-06-30T16:23:04Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction
and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。
提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文 参考訳（メタデータ） (2021-02-18T02:25:35Z) - Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein
Graph Double-Attention Network [29.289670231364788]
本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。
また、車両軌道予測に効率的なキネマティック拘束層を応用した。
提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
論文 参考訳（メタデータ） (2020-02-14T20:11:13Z)
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。