用于运动预测中高精地图的路径感知图注意力
人工智能
2022-09-07 v1 机器学习
机器人学
摘要
自动驾驶运动预测的成功依赖于来自高精（HD）地图的信息集成。由于地图天然为图结构，近年来关于图神经网络（GNN）用于编码 HD 地图的研究正在兴起。然而，与许多其他直接部署 GNN 的应用不同，HD 地图是异构图，其中顶点（车道）由各种性质的边（车道-车道交互关系）连接，且大多数基于图的模型并未设计用于理解边类型的多样性，而这些边提供了预测智能体将如何行驶车道的关键线索。为克服此挑战，我们提出路径感知图注意力，一种新颖的注意力架构，它通过解析连接两顶点的路径所构成的边序列来推断它们之间的注意力。我们的分析说明了在现有图网络（如 GCN）难以学习的一个教学性问题中，所提注意力机制如何促进学习。通过改进地图编码，所提模型在 Argoverse 运动预测数据集上超越了先前的最优（SOTA）方法，并在 2021 年 Argoverse 运动预测竞赛中获得第一名。
引用
@article{arxiv.2202.13772,
title = {Path-Aware Graph Attention for HD Maps in Motion Prediction},
author = {Fang Da and Yu Zhang},
journal= {arXiv preprint arXiv:2202.13772},
year = {2022}
}
备注
IEEE International Conference on Robotics and Automation (ICRA 2022)