論文の概要: Looking Ahead and Back: Anticipatory Generative Modeling for Road-Network Trajectories

• arxiv url: http://arxiv.org/abs/2610.13131v1
• Date: Fri, 09 Oct 2026 07:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.452658
• Title: Looking Ahead and Back: Anticipatory Generative Modeling for Road-Network Trajectories
• Title（参考訳）: 前も後ろも見る:道路網軌道の予測生成モデリング
• Abstract要約: 軌道生成は交通管理や都市計画などの都市利用を支えている。 既存の生成手法は位置列をシミュレートし、次の遷移選択に失敗する。 我々は,新しいグラフ制約付き生成パラダイム,予測生成モデルを導入する。
• 参考スコア（独自算出の注目度）: 48.47709663489784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trajectory generation underpins urban applications such as traffic management and urban planning. Within road networks, vehicle movement along road segments is largely deterministic, whereas transitions at intersections are critical--multiple outgoing paths may appear equally plausible, yet they can lead to substantially different downstream routes. Existing generative methods such as diffusion models simulate location sequences and fail short of next transition selection, even producing trajectories that drift off the road network. To fill this gap, we advocate a fundamental shift: moving beyond location simulation toward behavior modeling on the road network. In this paper, we revisit trajectory generation through the lens of generative route planning, and introduce a new graph-constrained generative paradigm, Anticipatory Generative Modeling, which resolves next transition selection by incorporating the Anticipation of how the future route may unfold toward the destination. Concretely, we propose a novel generative model named Foresight that formulates a probabilistic model for an "anticipate--select--update--re-anticipate" loop that enables longer-term foresight while continuing sequential generation along the historical trajectory. Extensive experiments demonstrate that Foresight wins state-of-the-art baselines.
• Abstract（参考訳）: 軌道生成は交通管理や都市計画などの都市利用を支えている。 道路網内では、道路セグメントに沿った車両の移動は決定論的であるが、交差点での移動は重要であり、複数の経路の移動は等しく妥当に見えるが、下流の経路は実質的に異なる。 拡散モデルのような既存の生成手法は、位置列をシミュレートし、次の遷移選択に失敗する。 このギャップを埋めるために、我々は、位置シミュレーションを超えて道路ネットワーク上の行動モデリングに移行するという根本的な変化を提唱する。 本稿では、生成経路計画のレンズを通して軌道生成を再考し、将来の経路が目的地に向かってどのように広がるかの予測を組み込んで次の遷移選択を解決する新しいグラフ制約生成パラダイム、予測生成モデリングを導入する。 具体的には,予測-選択-更新-再予測」ループの確率モデルを定式化したForesightという新しい生成モデルを提案する。 大規模な実験では、Foresightが最先端のベースラインを獲得した。

関連論文リスト

• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
  DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。 異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。 これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-20T06:19:31Z)
• FutureX: Enhance End-to-End Autonomous Driving via Latent Chain-of-Thought World Model [103.2513470454204]
  FutureXは、エンド・ツー・エンドのプランナを強化し、将来のシーンの遅延推論と軌道修正を通じて複雑な動作計画を実行するパイプラインである。 FutureXは、より合理的な運動計画と衝突を減らすことで、効率を損なうことなく既存の方法を強化する。
  論文  参考訳（メタデータ） (2025-12-12T02:12:49Z)
• Future-Aware End-to-End Driving: Bidirectional Modeling of Trajectory Planning and Scene Evolution [96.25314747309811]
  将来的なシーンの進化と軌道計画を共同でモデル化する,新たなエンドツーエンドフレームワークであるSeerDriveを紹介する。 本手法はまず,周辺環境の動態を予測するために,将来の鳥眼ビュー(BEV)の表現を予測する。 2つの重要な要素がこれを可能にする:(1)予測されたBEV機能を軌道プランナーに注入する将来対応計画、(2)反復的なシーンモデリングと車両計画。
  論文  参考訳（メタデータ） (2025-10-13T07:41:47Z)
• TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving [20.679370777762987]
  エンコーダデコーダに基づく生成軌道計画モデルであるTransDiffuserを提案する。 単純なマルチモーダル表現デコレーションのデノナイジング過程におけるデコレーション最適化機構を利用する。 TransDiffuserは、クローズドループ計画指向ベンチマークNAVSIMで94.85のPDMSを達成する。
  論文  参考訳（メタデータ） (2025-05-14T12:10:41Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Likely, Light, and Accurate Context-Free Clusters-based Trajectory Prediction [0.0]
  本稿では,従来の手法よりも分散シフトに対処可能な,自己条件付きGANという,より深い特徴クラスタリング手法を提案する。 また,生成した軌道に確率を割り当てる新しい距離ベースランキングの提案も提案する。 全体システムは、人間と道路エージェントの軌跡データにおける文脈自由な深層生成モデルを上回る。
  論文  参考訳（メタデータ） (2023-07-27T11:29:57Z)
• Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
  歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。 本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。 実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
  論文  参考訳（メタデータ） (2020-09-21T13:57:10Z)
• Map-Adaptive Goal-Based Trajectory Prediction [3.1948816877289263]
  本稿では,多モーダル・長期車両軌道予測のための新しい手法を提案する。 提案手法は,各車両に提案された目標経路の集合を生成するために,環境のリッチマップで捉えた車線中心線を利用することに依存する。 本モデルは,6秒の水平線上での車両軌道予測において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-09T17:57:01Z)

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。