COTTA: 自動運転における軌道予測のための文脈対応型転移適応
arXiv cs.CV / 2026/4/2
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は自動運転における重要課題を扱う。西洋のデータセットで学習した軌道予測モデルは、他の地理的地域に展開するとドメインの不一致により性能が劣化する。
- 米国データから韓国の走行シナリオへ移行する、クエリ中心型軌道予測（QCNet）に対する転移学習アプローチを評価し、実験では韓国のデータセットを用いる。
- 4つの戦略（ゼロショット転移、スクラッチからの学習、全体ファインチューニング、エンコーダ凍結）を比較し、最適な適応手法を理解する。
- 結果として、事前学習済みの知識を用いることで性能が大幅に向上し、エンコーダを凍結したうえでデコーダを選択的にファインチューニングする方法が、精度と効率の最良のトレードオフをもたらすことが示される。
- 提案手法は、スクラッチからの学習と比べて予測誤差を66%以上低減し、新しいドメインに軌道予測システムを展開するための実行可能な指針を提供する。
