用于建模交通参与者交互的图神经网络
机器学习
2019-05-08 v2 机器学习
摘要
通过将交通场景解释为相互作用车辆的图，我们获得了一种灵活的抽象表示，这允许我们应用图神经网络（GNN）模型进行交通预测。这些模型自然地考虑了交通参与者之间的交互，同时具有计算效率高和模型容量大的优点。我们评估了两种最先进的 GNN 架构，并针对我们的特定场景引入了几项适配。结果表明，在具有大量交互的场景中，与不考虑交互的模型相比，预测误差降低了 30%。这表明交互是重要的，并证明了我们可以使用图对其进行建模。这使得 GNN 成为交通预测系统中一个有价值的补充。
引用
@article{arxiv.1903.01254,
title = {Graph Neural Networks for Modelling Traffic Participant Interaction},
author = {Frederik Diehl and Thomas Brunner and Michael Truong Le and Alois Knoll},
journal= {arXiv preprint arXiv:1903.01254},
year = {2019}
}
备注
To be published at IEEE Intelligent Vehicles Symposium 2019