基于图的扩散图卷积网络交互感知多模态二维车辆轨迹预测
机器人学
2023-09-06 v1 人工智能
图形学
摘要
预测车辆轨迹对于保障自动驾驶车辆的运行效率与安全至关重要，尤其在拥堵的多车道高速公路上。在此类动态环境中，车辆的运动由其历史行为以及与周围车辆的交互决定。这些复杂的交互源于不可预测的运动模式，导致广泛的驾驶行为，值得深入探究。本研究提出基于图的交互感知多模态轨迹预测（GIMTP）框架，旨在通过有效捕捉这些交互来概率性地预测未来车辆轨迹。在该框架内，车辆运动被概念化为时变图中的节点，交通交互由动态邻接矩阵表示。为整体捕捉该动态邻接矩阵中嵌入的时空依赖关系，方法学融合了扩散图卷积网络（DGCN），从而提供历史状态与未来状态的图嵌入。此外，我们采用驾驶意图特定的特征融合，实现历史与未来嵌入的自适应集成，以增强意图识别与轨迹预测。该模型针对纵向与横向驾驶行为的每种模态给出二维预测，并提供带相应概率的概率性未来路径，应对复杂车辆交互与驾驶行为多模态性的挑战。使用真实世界轨迹数据集的验证表明了其效率与潜力。
引用
@article{arxiv.2309.01981,
title = {Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory Prediction using Diffusion Graph Convolutional Networks},
author = {Keshu Wu and Yang Zhou and Haotian Shi and Xiaopeng Li and Bin Ran},
journal= {arXiv preprint arXiv:2309.01981},
year = {2023}
}