以下は、提示された論文「TrajMamba: An Ego-Motion-Guided Mamba Model for Pedestrian Trajectory Prediction from an Egocentric Perspective」の技術的サマリーです。

論文サマリー：TrajMamba

1. 研究の背景と課題 (Problem)

自律走行車や移動ロボットの安全なナビゲーションにおいて、**自視点（Egocentric Perspective）**からの歩行者の将来軌道予測は重要なタスクです。しかし、このタスクには以下のような固有の課題が存在します。

• 複雑な相対運動: 画像上に観測される歩行者の動きは、歩行者自身の運動と、カメラを搭載した車両（またはキャリア）の運動（自運動：Ego-motion）が重畳された結果です。
• 既存手法の限界: 従来の手法は、歩行者の運動特徴と車両の自運動特徴をエンコード段階で単純に結合（融合）し、デコーダで予測を行うことが一般的でした。このアプローチでは、自運動が歩行者の動きをどのように動的に変調（調節）しているかという相対運動の関係を明示的にモデル化できておらず、予測精度に限界がありました。

2. 提案手法：TrajMamba (Methodology)

著者らは、Mamba アーキテクチャ（選択的状態空間モデル）を活用した新しいフレームワーク「TrajMamba」を提案しました。このモデルは、歩行者の運動と自運動を分離して処理しつつ、デコーダ段階で自運動を明示的なガイダンスとして利用する点に特徴があります。

主要な構成要素

1. 入力表現の工夫 (Input Representation):

   • 単なる座標だけでなく、速度（速度ベクトル）やスケール変化（幅・高さの変化）を含む運動状態を定義。
   • CV-CS-Offset 仮説: 「一定速度・一定スケール変化（Constant Velocity and Constant Scaling）」という物理的仮説に基づき、基準軌道を生成し、ネットワークにはその**残差（オフセット）**を予測させることで、学習の安定化と物理的妥当性の向上を図っています。

2. エンコーダ (Encoders):

   • 歩行者運動エンコーダ (PME): 歩行者の過去の軌道から運動特徴を抽出するために Mamba モデルを使用。
   • 自運動エンコーダ (EME): 車両の速度や挙動データから自運動特徴を抽出するために Mamba モデルを使用。
   • Mamba の線形時系列モデリング能力と長系列処理の効率性を活用しています。

3. 自運動誘導型デコーダ (Ego-Motion-Guided Decoder, EMGD):

   • 従来の「融合型」ではなく、明示的モデル化を採用。
   • 歩行者の運動特徴を「歴史的文脈（Historical Context）」として、直前の自運動特徴を「将来の予測のためのガイダンス（Guiding Cues）」としてデコーダに入力します。
   • これにより、デコーダは自運動が歩行者の動きをどのように動的に変調するかを明示的に学習し、将来の運動特徴を推論します。

4. 将来軌道生成 (Future Trajectory Generator):

   • デコードされた特徴を MLP（多層パーセプトロン）を用いて将来のバウンディングボックス（中心座標、幅、高さ）に変換します。

3. 主な貢献 (Key Contributions)

• Mamba ベースの新たなフレームワークの提案: 自視点からの歩行者軌道予測に Mamba アーキテクチャを初めて適用し、効率的かつ高精度な予測を実現しました。
• 明示的な相対運動モデル化: 歩行者の運動特徴を文脈とし、自運動特徴を条件付きガイダンスとして用いる「自運動誘導型デコーダ」を設計しました。これにより、両者の動的な相互作用を明確に捉えることができます。
• SOTA 性能の達成: 主要なデータセット（PIE, JAAD）において、従来の LSTM、Transformer、Diffusion モデルなどのベースライン手法を凌ぐ性能を達成しました。

4. 実験結果 (Results)

データセット: JAAD（自律走行文脈での共同注視データ）、PIE（歩行者行動データ）。
評価指標: ADE（平均変位誤差）、FDE（最終変位誤差）、ARB（平均 RMS 誤差）、FRB（最終 RMS 誤差）。

• 定量的評価:
  • PIE データセット: 1 秒予測において、従来の最良モデル（PedFormer）に対し、ADE/FDE/ARB/FRB すべてで大幅な改善（例：ADE で約 40% 改善）を達成。
  • JAAD データセット: 同様に高い精度を記録し、既存の一般モデル（BiTrap, SGNet など）を上回りました。
  • 1.5 秒予測: PIE では最良性能を維持しましたが、JAAD では一部の手法に劣るケースもありました（これはデータセット間のシナリオや自運動表現の違いに起因すると考察されています）。
• アブレーション研究:
  • デコーダの構造: 提案する「自運動誘導型デコーダ（EMGD）」は、従来の「事後融合デコーダ（PFD）」よりも高い精度を示しました。
  • Mamba の効果: エンコーダ・デコーダの両方で Mamba を使用した場合が、LSTM、GRU、Transformer を使用した場合よりも高い精度と、極めて低い計算コスト（FLOPs）およびパラメータ数を実現しました。
  • 入力表現: 速度情報と CV-CS-Offset 仮説を組み合わせた表現が、予測の滑らかさと精度を向上させることが確認されました。

5. 意義と結論 (Significance)

• 技術的革新: 従来の「特徴融合」アプローチから、「条件付きガイダンスによる明示的変調」アプローチへの転換を提案し、自視点軌道予測の難題である相対運動のモデル化を解決しました。
• 効率性: Mamba の採用により、Transformer 並みの性能を維持しつつ、計算リソースを大幅に削減しました。これはリアルタイム性が求められる自律走行システムにおいて極めて重要です。
• 今後の展望: 現在のモデルは歩行者間の相互作用（群衆内の相互影響）を考慮していません。将来的には、歩行者間の相互作用をモデル化することで、さらに予測精度を向上させることが予定されています。

総じて、TrajMamba は、自視点からの歩行者軌道予測において、Mamba の効率的な時系列モデル化能力と、物理的に妥当な運動モデル化を組み合わせることで、新たな SOTA を確立した画期的な研究です。