論文の概要: FutureLift: Lifting Trajectory Proposals into Bidirectional Future Graphs for Motion Forecasting

• arxiv url: http://arxiv.org/abs/2610.22215v1
• Date: Thu, 15 Oct 2026 17:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.20592
• Title: FutureLift: Lifting Trajectory Proposals into Bidirectional Future Graphs for Motion Forecasting
• Title（参考訳）: FutureLift: 動き予測のための双方向な未来グラフへの軌道提案
• Abstract要約: FutureLiftはバックボーン非依存の精錬器で、各マルチモーダル提案を異質な将来のグラフとして表現する。 WOMD運動予測リーダーボードでは、FutureLiftはまずminADE (0.5049m)とminFDE (0.9942m)にランクインする。
• 参考スコア（独自算出の注目度）: 12.232948624152327
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate motion prediction is critical for safe autonomous driving, yet even strong forecasters leave residual errors in their multimodal proposals. Existing refiners compress complete proposals or update their segments sequentially, preventing the full proposed future from serving as explicit relational context for correction. We introduce FutureLift, a backbone-agnostic refiner that represents each multimodal proposal as a heterogeneous future graph, with spatially grounded temporal nodes connected to agent histories, map elements, alternative modes, and, for joint prediction, other agents future trajectories. Bidirectional temporal edges allow later evidence to revise earlier segments in a single pass, and the updated nodes predict residual coordinate and confidence corrections. Requiring only proposals, scores, and scene context, FutureLift provides a common refinement interface for structurally different forecasting backbones. On Argoverse2 and the Waymo Open Motion Dataset, it consistently improves frozen proposals and outperforms native and specialized refiners across marginal and joint forecasting. On the WOMD motion-prediction leaderboard, FutureLift ranks first in minADE (0.5049m) and minFDE (0.9942m) among the compared standard-input methods, without LiDAR or ensembling, while achieving a competitive 0.4874 Soft mAP.
• Abstract（参考訳）: 正確な動き予測は安全な自動運転には不可欠だが、強力な予測器でさえ、残差をマルチモーダルな提案に残す。 既存の精錬機は完全な提案を圧縮したり、セグメントを逐次更新するので、完全な提案された未来が修正のための明示的なリレーショナルコンテキストとして機能しない。 本稿では,各マルチモーダル提案をヘテロジニアスな未来グラフとして表現するバックボーン非依存の精錬器FutureLiftについて紹介する。 双方向の時間エッジにより、後続の証拠は1回のパスで前のセグメントを修正でき、更新されたノードは残留座標と信頼補正を予測する。 FutureLiftは提案、スコア、シーンコンテキストのみを必要とするため、構造的に異なる予測バックボーンに対して共通の洗練されたインターフェースを提供する。 Argoverse2とWaymo Open Motion Datasetでは、凍結された提案を一貫して改善し、限界と共同で予測するネイティブおよび特殊な精錬機を上回っている。 WOMDのモーション予測リーダーボードでは、FutureLiftはLiDARやアンサンブルを使わずに比較された標準入力方式のうち、minADE (0.5049m) とminFDE (0.9942m) にランクインし、競争力のある 0.4874 Soft mAP を達成した。

関連論文リスト

• World-Calibrated Proposal-to-Action Flow for Vision-Language-Action Models [79.30575944315403]
  Flow-based Vision-Language-Action Policy generated action chunks by transporting sample from a task-agnostic isotropic Gaussian source。 このソースは、最近の実行も将来の進化も予測しないので、最近実行された動きによって確立された局所的な連続性を捨てる。 生成元自体を予測可能にする,世界キャリブレーションされたプロポーザル・ツー・アクション・フレームワークであるProActを紹介する。
  論文  参考訳（メタデータ） (2026-10-01T18:00:11Z)
• Collaborative Trajectory Prediction via Late Fusion [17.045815575131915]
  車両間の協調的なアプローチは、相補的な情報を共有することによって不確実性を低減するのに役立つ。 共有予測のためのレイトフュージョンフレームワークを導入する。 OPV2V、V2V4Real、DeepAccidentデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-04-24T19:34:56Z)
• 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)
• Foresight in Motion: Reinforcing Trajectory Prediction with Reward Heuristics [34.570579623171476]
  The First Reasoning, Then Forecasting”は、行動意図を軌道予測のための空間的ガイダンスとして明示的に組み込む戦略である。 本稿では,新しいクエリ中心の逆強化学習方式を基礎とした,解釈可能な報酬駆動型意図推論手法を提案する。 提案手法は軌道予測の信頼性を著しく向上させ,最先端手法と比較して高い競争性能を実現する。
  論文  参考訳（メタデータ） (2025-07-16T09:46:17Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Bridging the Gap Between Multi-Step and One-Shot Trajectory Prediction via Self-Supervision [2.365702128814616]
  正確な車両軌道予測は、自動運転における未解決の問題である。 本稿では,複数の軌道セグメントを連結した中間層を提案する。 提案するマルチブランチ・セルフスーパービジョン予測器は,中間将来のセグメントから始まる新しい予測について追加の訓練を受ける。
  論文  参考訳（メタデータ） (2023-06-06T02:46:28Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• M2I: From Factored Marginal Trajectory Prediction to Interactive Prediction [26.49897317427192]
  既存のモデルは単一エージェントの限界軌道の予測に優れているが、複数のエージェントに対してシーン準拠の軌道の予測を共同で行うことは、未解決の問題である。 本研究では,対話エージェント間の基礎となる関係を利用して,共同予測問題を限界予測問題に分解する。 提案手法はまず, 干渉剤を1対のインフルエンサーとリアクトルとに分類し, それぞれのインフルエンサーとリアクトルの軌跡を予測するために, 境界予測モデルと条件予測モデルを利用する。
  論文  参考訳（メタデータ） (2022-02-24T03:28:26Z)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• Temporally-Continuous Probabilistic Prediction using Polynomial Trajectory Parameterization [12.896275507449936]
  アクターの動作予測に一般的に使用される表現は、各アクターが個別の将来の時間ポイントで行う一連のウェイポイントである。 このアプローチは単純で柔軟であるが、中間時間ステップで非現実的な高次微分や近似誤差を示すことができる。 本稿では,軌道パラメータ化に基づく時間的連続軌道予測のための簡易かつ汎用的な表現を提案する。
  論文  参考訳（メタデータ） (2020-11-01T01:51:44Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。