論文の概要: A Semantic Knowledge Graph Construction Pipeline for Vehicle Intention Prediction in nuScenes

• arxiv url: http://arxiv.org/abs/2610.26528v1
• Date: Mon, 19 Oct 2026 14:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 02:44:45.954097
• Title: A Semantic Knowledge Graph Construction Pipeline for Vehicle Intention Prediction in nuScenes
• Title（参考訳）: ヌースシーンにおける車両意図予測のための意味知識グラフ構築パイプライン
• Abstract要約: nuScenes Intention Graph (NIKG)は、ego中心のコンテキストのためのWebオントロジー言語(OWL)ベースのセマンティック表現と構築パイプラインである。 NIKGは、nuScenesシーンを自己記述的なタートルグラフとしてインスタンス化し、各シーン参加者のファーストクラスプロパティに対する3つの意図的関連性を促進する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are increasingly used in autonomous driving (AD) to make traffic scene entities and relations explicit for prediction and reasoning. Existing traffic-scene KGs, however, primarily emphasize trajectory forecasting or general scene understanding. This paper presents the nuScenes Intention Knowledge Graph (NIKG), a focused Web Ontology Language (OWL)-based semantic representation and construction pipeline for ego-centric vehicle intention context. NIKG instantiates nuScenes scenes as a self-describing Turtle graph and promotes three intention-relevant relations to first-class properties of each scene participant: ego-relative motion, spatial configuration, and time to collision (TTC) risk. The pipeline uses a small input contract available in many ego-centric driving datasets: ego pose, tracked object annotations, and temporal keyframe order. NIKG is released as an ontology-backed, self-describing graph artifact together with a reproducible construction pipeline and validation protocol for ego-centric intention context. Applying this pipeline to nuScenes mini yields a graph of 211,335 triples across 404 keyframes; under the validation protocol, ego-relative motion labels achieve 92.5% forward consistency. Coverage, semantic consistency, and temporal coherence analyses over this artifact are further reported. NIKG occupies the space between scene-oriented traffic KGs and intention-prediction models: a small, explicit semantic layer intended to support downstream work such as knowledge graph embedding (KGE), SPARQL-based feature extraction, or hybrid neuro-symbolic reasoning.
• Abstract（参考訳）: 知識グラフ(KG)は、交通シーンの実体や関係を予測や推論のために明示するために、自律運転(AD)においてますます使われるようになっている。 しかし、既存の交通シーンのKGは、主に軌道予測や一般的なシーン理解に重点を置いている。 本稿では,Web Ontology Language (OWL) に基づくセマンティック表現と構築パイプラインである nuScenes Intention Knowledge Graph (NIKG) について述べる。 NIKGは、nuScenesシーンを自己記述的なタートルグラフとしてインスタンス化し、各シーン参加者の第一級特性(エゴ相対運動、空間構成、衝突時間(TTC)リスク)に対する3つの意図的関連性を促進する。 パイプラインは、エゴポーズ、追跡されたオブジェクトアノテーション、時間的キーフレーム順序といった、多くのエゴ中心の駆動データセットで利用可能な小さな入力コントラクトを使用する。 NIKGはオントロジーが支援する自己記述型グラフアーティファクトとしてリリースされ、再現可能な構築パイプラインとエゴ中心の意図的コンテキストの検証プロトコルが組み込まれている。 このパイプラインをnuScenes miniに適用すると、404キーフレームで211,335トリプルのグラフが得られる。 さらに, このアーティファクトの被覆, 意味的一貫性, 時間的コヒーレンス解析について報告する。 NIKGは、シーン指向のトラフィックKGと意図予測モデルの間の空間を占有している:知識グラフ埋め込み(KGE)、SPARQLベースの特徴抽出、ハイブリッドニューロシンボリック推論などの下流作業をサポートするための、小さく明示的なセマンティックレイヤ。

関連論文リスト

• GC-GAT: Multimodal Vehicular Trajectory Prediction using Graph Goal Conditioning and Cross-context Attention [0.0]
  レーングラフに基づく動き予測モデルを提案し、まずまずグラフに基づく目標提案を予測し、その後、複数のコンテキスト要素にまたがってそれらを融合する。 我々はnuScenesの動作予測データセットについて評価し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2025-04-15T12:53:07Z)
• SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
  自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。 本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:11:04Z)
• nuScenes Knowledge Graph -- A comprehensive semantic representation of traffic scenes for trajectory prediction [6.23221362105447]
  交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。 車両の走行経路、道路トポロジー、車線分割器、交通規則など、文脈情報を考慮することが重要である。 本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T10:40:34Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Incremental 3D Semantic Scene Graph Prediction from RGB Sequences [86.77318031029404]
  RGB画像列が与えられたシーンの一貫性のある3Dセマンティックシーングラフをインクリメンタルに構築するリアルタイムフレームワークを提案する。 提案手法は,新たなインクリメンタルエンティティ推定パイプラインとシーングラフ予測ネットワークから構成される。 提案するネットワークは,シーンエンティティから抽出した多視点および幾何学的特徴を用いて,反復的メッセージパッシングを用いた3次元セマンティックシーングラフを推定する。
  論文  参考訳（メタデータ） (2023-05-04T11:32:16Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)

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。