HDGT：基于场景编码的异质驾驶图Transformer用于多智能体轨迹预测
人工智能
2023-07-21 v2 计算机视觉与模式识别
机器学习
机器人学
摘要
将驾驶场景编码为向量表示一直是自动驾驶的一项基础任务，可惠及轨迹预测等下游任务。驾驶场景通常涉及异质元素，例如不同类型的物体（智能体、车道、交通标志），且物体之间的语义关系丰富多样。同时，元素间还存在相对性，即空间关系是一个相对概念，需要在以自我为中心的坐标系中编码，而非在全局坐标系下。基于这些观察，我们提出异质驾驶图Transformer（HDGT），这是一种将驾驶场景建模为具有不同类型节点与边的异质图的主干网络。对于异质图构建，我们根据多样的语义关系连接不同类型的节点。对于空间关系编码，节点的坐标及其入边均位于局部以节点为中心的坐标系中。对于图神经网络（GNN）中的聚合模块，我们采用分层方式的Transformer结构以适应输入的异质特性。实验结果表明，在INTERACTION预测挑战赛与Waymo Open Motion挑战赛上，HDGT在轨迹预测任务中取得了最先进的性能。
引用
@article{arxiv.2205.09753,
title = {HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding},
author = {Xiaosong Jia and Penghao Wu and Li Chen and Yu Liu and Hongyang Li and Junchi Yan},
journal= {arXiv preprint arXiv:2205.09753},
year = {2023}
}
备注
Accepted at IEEE TPAMI in 2023. Code url: https://github.com/OpenDriveLab/HDGT