路径感知图注意力在动作预测的应用
自动驾驶中,准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块,将预测的轨迹重新映射到实际地图上,纠正了编码过程中可能丢失的位置信息,从而实现更一致的预测。同时,我们还提出了一种新颖的场景编码器,以单一的异构图注意力网络来处理所有代理与环境之间的关系,并通过分析图中不同边的注意力值,可以深入了解神经网络的内部工作,实现更加可解释的预测。
May, 2024
通过构建一个从原始地图数据中构造出来的车道图,结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型,可以准确地预测和展示多种行车情景,取得了比现有最好技术更好的表现。
Jul, 2020
本研究使用自注意力模块来计算社交和物理上下文情境,采样白噪声,探索了生成模型中注意力的影响,并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。
Sep, 2022
本文将使用基于 Efficient Attention 的模型,从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征,以实现关于自动驾驶的运动预测。
May, 2022
本研究提出了一种新型的可解释的异质图策略模型 (XHGP),并探讨了利用 GNNExplainer 和反事实推理来提高运动预测系统的可解释性,以便达到更为透明和可靠的自动驾驶需求。
Dec, 2022
该论文提出了一种基于分层注意力机制的异构图神经网络,包括节点层次和语义层次的注意力机制,通过从元路径邻居中汇总特征来生成节点嵌入,其在三个真实的异构图上表现出优越性能且有助于图分析。
Mar, 2019
提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络(MA2GCN),通过将车辆轨迹数据转换为以网格形式的图结构化数据,提出了基于不同网格之间的移动性的车辆进出矩阵。同时,为了提高模型性能,还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息,并在上海出租车 GPS 轨迹数据集上表现出最佳性能。
Jan, 2024
提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构,利用特征注意力和全局方向信息提高图信息的传播能力,并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性,实验证明在真实数据集和合成数据集上,DGAT 在性能上优于传统的 GAT 模型,并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。
Mar, 2024
我们提出了一种自适应图注意力采样与边融合框架(GASE),通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入,进一步融合采样网络中的消息传递和节点嵌入,在学习导向的 VRP 任务上表现出色,并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。
May, 2024