Fugu-MT 論文翻訳(概要): Trajectory Prediction Method for person under WSN with Hierarchical Envelope Adversarial Domain Adaptation

論文の概要: Trajectory Prediction Method for person under WSN with Hierarchical Envelope Adversarial Domain Adaptation

arxiv url: http://arxiv.org/abs/2610.21132v1
Date: Thu, 15 Oct 2026 02:40:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-16 19:13:16.140311
Title: Trajectory Prediction Method for person under WSN with Hierarchical Envelope Adversarial Domain Adaptation
Title（参考訳）: 階層型エンベロープ対応領域適応を用いたWSN下の人物の軌道予測法
Abstract要約: 現在のモデルには2つの制限がある。彼らは様々なシナリオにまたがる様々な性質の軌跡を説明できない。彼らは統計的基準に基づく領域分布アライメントに依存している。
参考スコア（独自算出の注目度）: 9.926415503961588
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pedestrian trajectory prediction holds significant applications across autonomous driving, intelligent surveillance, and smart cities. However, the complexity and unpredictability of pedestrian interactions make this task a persistent challenge. Current models face two common limitations: 1) Consider only a single type of social coupling. This introduces redundant interactions. More critically, it fails to account for the varying nature of trajectory coupled across different scenarios and between different pedestrians. Consequently, models cannot deeply adapt to diverse scenes. 2) Inadequate domain shift handling. Although very few methods address domain shift, they rely on statistical criterion-based domain distribution alignment. Such approaches exhibit strong dependency on predefined statistical metrics. This leads to significant limitations in complex and dynamic environments. To address these problems, a Hierarchical Envelope Adversarial Domain Adaptation with Loosely-Tightly coupled model (HEADA-LTCTPM) is proposed. First, an envelope sample construction mechanism was proposed. It constructs envelope samples and extends them into graph structures. Secondly, an adversarial domain adaptation module was proposed. This integrates both local and global domain adaptation strategies. It dynamically adapts to diverse coupled relationships across scenarios. These innovations collectively enhance prediction accuracy and robustness. In the experimental section, two representative public datasets were employed for validation and comprehensive comparisons with six relevant baseline algorithms were conducted. Results demonstrate that our model achieves significantly higher accuracy compared to existing methods, with the ADE and FDE metrics reduced by 17.6% and 19.1% respectively. The time overhead meets practical requirements, which verifies the effectiveness of our key innovations.
Abstract（参考訳）: 歩行者の軌道予測は、自動運転、インテリジェントな監視、スマートシティにまたがる重要な応用をもたらす。しかし、歩行者の相互作用の複雑さと予測不可能さは、このタスクを永続的な課題にしている。現在のモデルには2つの共通する制限がある。 1) 一つのタイプの社会的結合のみを考える。これは冗長な相互作用をもたらす。より重要なことは、異なるシナリオと異なる歩行者の間で結合された軌跡の様々な性質を説明できないことである。その結果、モデルは多様な場面に深く適応できない。 2)ドメインシフトの扱いが不十分。ドメインシフトに対処する手法はほとんどないが、統計的基準に基づくドメイン分布アライメントに依存している。このようなアプローチは、事前定義された統計指標に強い依存を示す。これは複雑な環境と動的環境に重大な制限をもたらす。これらの問題に対処するために、疎密結合モデル(HEADA-LTCTPM)を用いた階層型エンベロープ対応ドメイン適応法を提案する。まず, 封筒試料構築機構を提案する。封筒サンプルを構築し、それらをグラフ構造に拡張する。第二に、対向領域適応モジュールが提案された。これは、ローカルとグローバルの両方のドメイン適応戦略を統合する。シナリオ間の多様な結合関係に動的に適用する。これらの革新は、予測精度と堅牢性を総括的に強化する。実験では,2つの代表的な公開データセットを用いて検証を行い,関連する6つのベースラインアルゴリズムとの総合的な比較を行った。その結果, ADEとFDEはそれぞれ17.6%, FDEは19.1%削減された。オーバーヘッドは、我々の重要なイノベーションの有効性を検証する実践的な要件を満たす。

論文の概要: Trajectory Prediction Method for person under WSN with Hierarchical Envelope Adversarial Domain Adaptation

関連論文リスト