基于多种图神经网络和Transformer的车辆轨迹展望要领
中文问题：基于多种图神经网络和Transformer的车辆轨迹展望要领
论文问题：Multiple Graph Neural Networks and Transformers for Vehicle Trajectory Prediction
任命期刊/聚会：中国自动化大会 （CAA A类聚会）
任命时间：2024.9.18
作者列表：
1) 杨 洁 公海彩船（北京）人工智能学院 控制科学与工程 研22级
2) 刘建伟 公海彩船（北京）人工智能学院 自动化系 西席
摘要:
在重大的交通场景中，凭证周围蹊径使用者的行为合理妄想自己的前进蹊径关于自动驾驶汽车十分主要 。为了更好的解决这一问题，本文提出了一种新颖的基于多种图神经网络和Transformer的车辆轨迹展望模子（MGNformer） 。MGNformer中用于提取时空特征的编码器主要由空间交互感知�？椋⊿IPM）和时间依赖感知�？椋═DPM）组成，其中SIPM中包括多标准超图神经�？椋∕HM）和图注重力�？椋℅AM），可以从差别维度上捕获轨迹数据中的空间交互特征，TDPM中通过使用可变形自注重力机制可以捕获轨迹数据中时间维度上的长距离依赖关系 �Ｋ剂康匠盗疽馔脊赜谖蠢垂旒５挠跋�，本文特殊设计了意图-轨迹融合�？�，将车辆的意图概率与轨迹特征向量相融合来获取具有越发富厚信息的融合嵌入，将其馈入解码器中天生未来轨迹，以此提高轨迹展望的准确性 。我们在两个果真的真实车辆轨迹数据集上对MGNformer举行了评估 。实验效果批注，MGNformer在NGSIM数据集和HighD数据集上的RMSE降低了5.49%/16.67%，抵达了预期效果 。
配景与念头:
近年来，智能化的自动驾驶汽车因其无需驾驶员使用的特点，在很洪流平上缓解了交通拥堵的问题，减轻了驾驶员的驾驶肩负，提高了驾驶清静 。然而，真实的行车情形往往是重大多变的，这对自动驾驶汽车的清静性提出了很高的要求 。例如，当周围有其他车辆驶入，自动驾驶汽车应当实时减速以阻止碰撞 。自动驾驶车辆需要具备展望未来交通状态的能力，从而像人类驾驶员一样在行驶的历程中做出合理的决议妄想 。由于蹊径使用者之间保存着强烈的相互作用，并且这种相互作用是未知的，这使得准确建模和展望目的车辆的未来轨迹面临许多挑战 。在已往的几年中，越来越多的研究职员最先使用LSTM等神经网络处置惩罚轨迹展望问题，展望精度获得了显着提升，但仍然保存着一些局限 。首先，LSTM作为现在处置惩罚轨迹展望使命的主要要领，其事情原理是按顺序处置惩罚时间序列数据，以表征车辆的速率、偏向和运动模式 。在事情历程中LSTM需要一直地将自身上一刻的输出看成输入的反响循环，这会为模子带来很高的盘算本钱，特殊是关于处置惩罚时间跨度较大的展望问题仍然具有显着的局限性 。其次，现在在轨迹展望问题上对注重力机制的应用过于简朴，还无法详尽地模拟出车辆之间的互动 。最后，现有研究大多是将轨迹展望和车辆换道意图划分举行研究，建设两个展望模子，这样难免会忽略车辆换道意图于未来轨迹之间的内在联系，进而牺牲了准确性 。
主要内容:
本文模子主要由编码器、意图-轨迹融合�？椤⒔饴肫魅糠肿槌�，如图2所示 。编码器中包括空间交互感知�？椋⊿IPM）和时间依赖感知�？椋═DPM），可以提取轨迹数据中的时空特征，进而获自得图特征向量和轨迹特征向量 。意图-轨迹融合�？榻盗镜囊馔几怕视牍旒Ｌ卣飨蛄肯嗳诤匣竦镁哂性椒⒏缓裥畔⒌娜诤锨度� 。最后，解码器凭证意图-轨迹的融合嵌入天生越发准确的轨迹 。
SIPM由多标准超图�？椋∕HM）和图注重力�？椋℅AM）组成 。其中，MHM通过数据驱动的方法学习超图拓扑结构，从多个智能体轨迹中捕获成对和分组的交互，从而学习到更能体现空间交互信息的嵌入体现，结构如图3所示 。GAM通过在节点之间引入注重力机制使得模子能够更好地捕获节点之间的关系和和特征信息 。MHM关于处置惩罚群体性的交互更具有优势，GAM则更善于捕获局部要害节点关系，将二者提取到的空间特征举行融合，可以获得越发周全的特征体现 。TDPM主要是由可变形注重力机制、前馈神经网络、残差毗连和归一化层组成的 。意图-轨迹融合�？榭梢栽诠旒Ｌ卣骼∪虢饴肫魈焐蠢垂旒Ｖ�，首先展望车辆的换道意图，并将意图概率与历史轨迹嵌入、轨迹特征向量举行融合，将此包括更富厚信息的嵌入馈入到解码器中，确保模子能够越发周全地明确场景动态，进而输出更为准确的车辆未来轨迹展望效果 。解码器结构与TDPM结构类似，主要由可变形注重力层、前馈神经网络、残差毗连和归一化层组成 。
图2. MGNformer模子架构图
图3 MHM结构图
结论:
本文提出了一种基于多种图神经网络和Transformer的车辆轨迹展望要领使用多标准超图神经网络和图注重力网络提取差别维度上轨迹数据的空间特征，使用可变形注重力机制捕获轨迹数据中时间维度上的长距离依赖关系，进而获得高质量的轨迹时空特征 。为了形貌车辆意图与未来轨迹之间的相关性，本文特殊设计意图分类使命，将车辆的意图概率与轨迹特征融合，从而天生越发准确的未来轨迹 。实验效果批注，MGNformer在单模态展望和多模态展望上都显着优于其他最先进的要领现在，本事情仅在高速公路场景中验证了展望模子的效果，在未来的研究中我们将把模子的应用扩展到更普遍的应用场景中，以彰显适用价值 。
作者简介:
刘建伟，西席，学者 。揭晓学术研究论文280多篇 。