使用图神经网络联合交互和轨迹预测自动驾驶

Dec, 2019

使用图神经网络联合交互和轨迹预测自动驾驶

Joint Interaction and Trajectory Prediction for Autonomous Driving using Graph Neural Networks

Donsuk Lee, Yiming Gu, Jerrick Hoang, Micol Marchetti-Bowick

TL;DR本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

Abstract

In this work, we aim to predict the future motion of vehicles in a traffic scene by explicitly modeling their pairwise interactions. Specifically, we propose a graph neural network that jointly predicts the discrete interaction modes and 5-second future trajectories for all agents in t

vehicles motion prediction graph neural network interaction modes trajectory error real-world driving dataset

发现论文，激发创造

基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

Sep, 2023

用图神经网络建模交通参与者交互

该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

可解释式目标导向车辆轨迹预测模型

自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

Aug, 2023

自动驾驶车辆的多模态轨迹预测：基于语义地图与动态图注意力网络

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

基于图的轨迹预测与合作信息

使用合作信息进行自动驾驶的轨迹预测，提出了一种基于图神经网络的体系结构，能够有效地提高网络性能并处理不准确的合作数据。

Oct, 2023

基于递进交互的自动驾驶轨迹预测学习

通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

Mar, 2024

GIN：自动驾驶中基于图形交互感知约束策略优化

本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

Jun, 2022

基于注意力的社交图变换网络用于随机轨迹预测

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

基于关系的交通场景图的运动预测

通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

Nov, 2022