GRANP：一种用于车辆轨迹预测的图循环注意力神经过程模型
机器学习
2024-04-15 v1 机器人学
摘要
作为自动驾驶的关键组成部分，准确的轨迹预测能有效预防交通事故并提高驾驶效率。为了捕捉复杂的时空动态与社会交互，近期的研究开发了基于先进深度学习方法的模型。另一方面，近期的研究探索了深度生成模型的使用，以进一步解释轨迹的不确定性。然而，当前展现不确定性的方法涉及低效且耗时的操作，例如从训练好的模型中进行采样。为了填补这一空白，我们提出了一种名为图循环注意力神经过程（GRANP）的新模型，用于车辆轨迹预测，同时高效地量化预测不确定性。具体而言，GRANP 包含一个具有确定性路径与潜在路径的编码器，以及一个用于预测的解码器。该编码器包含堆叠的图注意力网络、LSTM 和一维卷积层，用于提取时空关系。解码器用于学习潜在分布，从而量化预测不确定性。为了揭示我们模型的有效性，我们在 highD 数据集上评估了 GRANP 的性能。大量实验表明，GRANP 取得了最先进的结果，并且能够高效地量化不确定性。此外，我们进行了一个直观的案例研究，展示了所提出方法的可解释性。代码可在 https://github.com/joy-driven/GRANP 获取。
引用
@article{arxiv.2404.08004,
title = {GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction},
author = {Yuhao Luo and Kehua Chen and Meixin Zhu},
journal= {arXiv preprint arXiv:2404.08004},
year = {2024}
}