面向多智能体轨迹预测的异质边增强图注意力网络
机器人学
2021-06-15 v1
摘要
对多个异质交通参与者的同步轨迹预测，对于网联自动驾驶车辆在真实世界复杂驾驶情形下的安全高效运行至关重要。多智能体预测任务具有挑战性，因为交通参与者的运动受诸多因素影响，包括其个体动力学、与周围智能体的交互、交通基础设施，以及目标智能体的数量与模态。为进一步推进轨迹预测技术，本文提出一个三通道框架以及一种新颖的异质边增强图注意力网络（HEAT），该网络能够处理目标智能体及所涉交通参与者的异质性。具体而言，智能体的动力学通过其历史状态经类型特定编码器提取。智能体间交互由有向边特征的异质图表示，随后使用所提HEAT网络提取交互特征。此外，通过引入选择性门机制，地图特征在所有智能体间共享。最终，多智能体的轨迹被同步执行。基于城市与高速公路驾驶数据集的验证表明，所提模型能够在复杂交通情形下实现多智能体的同步轨迹预测，并在预测精度方面达到最先进（state-of-the-art）性能，证明了其可行性与有效性。
引用
@article{arxiv.2106.07161,
title = {Heterogeneous Edge-Enhanced Graph Attention Network For Multi-Agent Trajectory Prediction},
author = {Xiaoyu Mo and Yang Xing and Chen Lv},
journal= {arXiv preprint arXiv:2106.07161},
year = {2021}
}