論文の概要: Fast-Slow Evolutionary Occupancy Prediction via Controlled Dynamics

• arxiv url: http://arxiv.org/abs/2611.02499v1
• Date: Mon, 02 Nov 2026 04:20:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:14:01.671056
• Title: Fast-Slow Evolutionary Occupancy Prediction via Controlled Dynamics
• Title（参考訳）: 制御ダイナミクスによる高速低速進化運転予測
• Abstract要約: EvoOccは、進化の速い占有予測フレームワークである。 補完的な強度を利用して、精度とレイテンシのバランスを改善する。 遅いシステムよりもはるかに低レイテンシを維持しながら、高速なシステムベースラインを継続的に改善する。
• 参考スコア（独自算出の注目度）: 33.870667770573995
• License:
• Abstract: 3D semantic occupancy prediction provides dense geometric and semantic scene representations for autonomous driving, where both high accuracy and low response latency are crucial for safe downstream forecasting and planning. Existing methods usually exhibit different accuracy-latency characteristics. Performance-oriented models provide stronger geometric and semantic predictions, while deployment-friendly models provide faster responses. This motivates EvoOcc, a fast-slow evolutionary occupancy prediction framework that jointly exploits their complementary strengths to improve the accuracy-latency balance without changing the upstream architectures. EvoOcc models evolutionary occupancy prediction as a continuous time controlled dynamical system, enabling flexible adaptation to variable slow system delays and irregular fast system arrivals. The framework further decomposes the evolution process into dual state evolution where ego state evolution compensates for the deterministic coordinate shifts and scene state evolution models the genuine geometric and semantic scene changes. Extensive experiments on three different fast-slow system pairs and irregular prediction arrivals show that EvoOcc consistently improves over fast system baselines while maintaining much lower latency than the slow system, indicating a favorable accuracy-latency balance and stable behavior under practical inference situations.
• Abstract（参考訳）: 3Dセマンティック占有予測は、安全な下流予測と計画のために高い精度と低応答遅延の両方が不可欠である、自律運転のための密集した幾何学的およびセマンティックシーン表現を提供する。 既存の手法は通常、異なる精度-遅延特性を示す。 パフォーマンス指向モデルはより強力な幾何学的およびセマンティックな予測を提供し、デプロイメントフレンドリーなモデルはより高速な応答を提供する。 これはEvoOccを動機付けている。EvoOccは高速な進化的占有予測フレームワークで、相補的な強みを共同で活用し、上流アーキテクチャを変更することなく精度とレイテンシのバランスを改善する。 EvoOccは進化的占有予測を連続時間制御された力学系としてモデル化し、可変の遅いシステム遅延と不規則な高速システム到着への柔軟な適応を可能にする。 このフレームワークはさらに進化過程を二重状態進化へと分解し、エゴ状態の進化は決定論的座標シフトとシーン状態の進化モデルによって真の幾何学的および意味的なシーン変化を補う。 3つの異なる高速なシステムペアと不規則な予測到着に関する大規模な実験は、EvoOccが高速なシステムベースラインよりも一貫して改善し、低速なシステムよりもはるかに低いレイテンシを維持し、実用的な推論状況下での精度-レイテンシバランスと安定した動作を示すことを示している。

関連論文リスト

• Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
  Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。 次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
  論文  参考訳（メタデータ） (2026-09-03T09:21:19Z)
• Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction [13.239769357659412]
  物理誘導型完全畳み込み学習フレームワークを導入し,構造進化を予測する。 提案手法は, 物理方程式をトレーニング対象に明示的に組み込むことにより, 学習力学が既知の法則と整合性を保つことを奨励する。
  論文  参考訳（メタデータ） (2026-06-18T23:20:51Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Efficient Prompt Learning for Traffic Forecasting [78.86991846411793]
  我々は、SimpleSTという、訓練済みの時間GNNに適応するための軽量でモデルに依存しないプロンプトチューニングフレームワークを導入する。 適応のオーバーヘッドと複雑さを減らし、事前学習されたモデルのアウト・ディストリビューション・一般化を効率的に利用できるようにする。
  論文  参考訳（メタデータ） (2026-05-08T03:45:51Z)
• DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting [14.844711734126681]
  本研究では,定常時間パターンを状態依存的残留力学から明示的に分離する予測フレームワークを提案する。 DSPRは、システミックシフト時の予測精度とロバストさを一貫して改善する。 平均保存精度は99%を超え、総変量比は97.2%に達する。
  論文  参考訳（メタデータ） (2026-04-08T06:21:10Z)
• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
  我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。 NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。 実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
  論文  参考訳（メタデータ） (2026-02-01T17:29:42Z)
• Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
  本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
  論文  参考訳（メタデータ） (2025-11-24T19:44:46Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。