Apr, 2022

HDGT: 基于场景编码的多智能体轨迹预测的异质驱动图变压器

PDF
TL;DR针对自动驾驶中编码驾驶场景以进行轨迹预测的任务，本文提出了一种新颖的骨干网络，称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT)，将驾驶场景建模为具有不同类型节点和边的异构图，并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性，实验结果表明，该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。
发现论文，激发创造
  • 异质图变换器

    本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构（HGT），通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据，实验表明，所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9％至 21％。

    Mar, 2020

  • 通过风险和场景图学习进行异构轨迹预测

    本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

    Nov, 2022

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    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

  • SCENE: 使用异构图神经网络推理交通场景

    本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。

    Jan, 2023

  • 利用异构图表示实现可解释的运动预测

    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

  • SocialFormer：边增强异构图变换器用于轨迹预测的社交交互建模

    本文介绍了一种考虑交通参与者之间复杂互动的准确轨迹预测方法，该方法利用道路拓扑和语义关系，采用了边增强的异构图转换器作为聚合器，通过图神经网络对语义和空间交互信息进行编码，同时引入了基于门控循环单元的时间编码器来模拟交通参与者的时间社会行为，最后通过信息融合框架综合表示交通场景，该方法在流行的 nuScenes 基准测试上取得了最先进的性能。

    May, 2024

  • HDMapGen：一种高清地图的分层图形生成模型

    介绍了一种通过自动递归生成方法生成高清地图的任务和被称为 HDMapGen 的层次图生成模型，该模型能够通过粗到精细的方法制作高质量且多样化的高清地图，并在 Argoverse 数据集和内部数据集上显示出在基线方法上明显的提高，同时表明了该模型的可扩展性和高效性。

    Jun, 2021

  • 基于异构图卷积循环神经网络的动态情景表示学习用于运动预测

    本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

    Mar, 2023

  • 一种车辆轨迹预测的结构感知车道图变换模型

    具有结构感知能力的 Lane Graph Transformer (LGT) 模型将地图拓扑结构编码到注意力机制中，以精确预测自动驾驶车辆周围车辆的未来轨迹。对 Argoverse 2 数据集进行的实验结果表明，与基准模型相比，所提出的 LGT 模型在预测性能上显著提高，minFDE$_6$ 指标下降了 60.73%，b-minFDE$_6$ 指标下降了 2.65%。消融实验进一步验证了地图拓扑结构的考虑对模型的有效性，b-minFDE$_6$ 指标下降了 4.24%。

    May, 2024

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024