面向自动驾驶的几何深度学习：利用CommonRoad-Geometric释放图神经网络的力量
机器学习
2023-04-25 v2
摘要
异构图为交通提供了强大的数据表示能力，因其能够建模可变数量的交通参与者与底层道路基础设施之间复杂的交互效应。随着图神经网络（GNNs）作为伴随的深度学习框架近期出现，图结构可被高效用于轨迹预测等多种机器学习应用。作为首例，我们提出的Python框架提供了易于使用且完全可定制的数据处理流水线，用于从交通场景中提取标准化图数据集。该框架为基于GNN的自动驾驶研究提供了平台，提升了不同方法间的可比性，并使研究者能专注于模型实现而非数据集构建。
引用
@article{arxiv.2302.01259,
title = {Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric},
author = {Eivind Meyer and Maurice Brenner and Bowen Zhang and Max Schickert and Bilal Musani and Matthias Althoff},
journal= {arXiv preprint arXiv:2302.01259},
year = {2023}
}
备注
Presented at IV 2023