Fugu-MT 論文翻訳(概要): Uncertainty-Aware Optimization for Physics-Aware Highway Trajectory Prediction

論文の概要: Uncertainty-Aware Optimization for Physics-Aware Highway Trajectory Prediction

arxiv url: http://arxiv.org/abs/2610.11580v1
Date: Thu, 08 Oct 2026 09:31:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-10 02:36:53.929848
Title: Uncertainty-Aware Optimization for Physics-Aware Highway Trajectory Prediction
Title（参考訳）: 物理を考慮した高速軌道予測のための不確実性を考慮した最適化
Abstract要約: 物理学的なアプローチでは、予測された運動変数の不確実性は、車両力学を通して明示的にモデル化され、伝播されるべきである。本研究では,物理対応軌道予測フレームワークであるX-TRACK(X-TRACK-DEおよびX-TRACK-MCD)の不確実性を考慮した拡張を提案する。 X-TRACK-DEは、決定論的ベースラインよりも軌道予測精度を向上する一方、不確実性を認識した2つの変種は、所望の限界カバレッジレベルに順に調整可能な予測不確実性を提供する。
参考スコア（独自算出の注目度）: 2.6212127510234797
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate trajectory forecasting and well-defined predictive uncertainty are crucial for reliable, safety-critical applications such as autonomous driving. Most trajectory prediction approaches provide point estimates only, while uncertainty-aware approaches typically quantify uncertainty only in the trajectory space. In physics-aware approaches, uncertainty in the predicted motion variables should be explicitly modeled and propagated through the vehicle dynamics. Otherwise, the resulting trajectory-space uncertainty may not fully reflect the variability introduced by the underlying motion prediction. Therefore, in this work, uncertainty-aware extensions of X-TRACK (X-TRACK-DE and X-TRACK-MCD), a physics-aware trajectory prediction framework, are proposed. The proposed framework predicts future vehicle motion variables and models both aleatoric and epistemic uncertainties by propagating motion space uncertainty to trajectory space. Additionally, conformal prediction is applied to the trajectory space predictive covariance to construct uncertainty regions targeting a desired marginal coverage level. Evaluation on the highD dataset shows that X-TRACK-DE improves trajectory prediction accuracy over the deterministic baseline, while both uncertainty-aware variants provide predictive uncertainty that can be conformally calibrated to the desired marginal coverage level.
Abstract（参考訳）: 正確な軌道予測と明確に定義された予測の不確実性は、自律運転のような信頼性の高い安全クリティカルなアプリケーションに不可欠である。ほとんどの軌道予測アプローチは点推定のみを提供するが、不確実性認識アプローチは典型的には軌道空間内でのみ不確実性を定量化する。物理学的なアプローチでは、予測された運動変数の不確実性は、車両力学を通して明示的にモデル化され、伝播されるべきである。さもなくば、結果として生じる軌道空間の不確実性は、下層の運動予測によってもたらされる変動性を十分に反映しないかもしれない。そこで本研究では,物理対応軌道予測フレームワークであるX-TRACK(X-TRACK-DEおよびX-TRACK-MCD)の不確実性を考慮した拡張を提案する。提案手法は,運動空間の不確かさを軌跡空間に伝播させることにより,将来の車両の運動変数およびモデルを予測する。さらに、軌道空間予測共分散に共形予測を適用し、所望の限界被覆レベルをターゲットにした不確かさ領域を構築する。高Dデータセットの評価では、X-TRACK-DEは決定論的ベースラインよりも軌道予測精度を向上する一方、不確実性を考慮した2つの変種は、所望の限界カバレッジレベルに順に調整可能な予測不確実性を提供する。

関連論文リスト

Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting [7.565108739173396]
ロングホライゾンの宇宙船軌道予測は、予測系における補正観測の欠如により誤差の蓄積に悩まされる。物理ベースの連続時間 $textitdeterministic$ forecaster を学習した連続時間 $textitprobabilistic$ Corrector で拡張するPredictor-Corrector フレームワークを紹介した。提案手法は,NASAのリアルタイムデータを用いて,長期衛星軌道予測の枠組みを評価するものである。
論文参考訳（メタデータ） (2026-06-19T01:16:45Z)
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)
Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-18T21:14:07Z)
Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
論文参考訳（メタデータ） (2024-10-02T15:02:32Z)
CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
論文参考訳（メタデータ） (2024-06-17T21:25:36Z)
Probabilistic Symmetry for Multi-Agent Dynamics [18.94585103009698]
本稿では,多エージェント軌道の確率論的予測のための新しい動的モデルである確率的同変連続共進化(PECCO)を提案する。 PECCOは、非同変ベースラインに比べて精度とキャリブレーションが大幅に向上した。
論文参考訳（メタデータ） (2022-05-04T07:51:08Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
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)
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文参考訳（メタデータ） (2021-11-22T08:54:10Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。