基于关系的交通场景图运动预测
人工智能
2022-12-07 v1 计算机视觉与模式识别
机器学习
机器人学
摘要
表示交通场景的相关信息并理解其环境对自动驾驶的成功至关重要。使用语义关系（即不同交通参与者在基于交通规则的行为上下文中如何关联）对自动驾驶汽车周边进行建模，在以往工作中很少被考虑。这源于此类关系难以从真实交通场景中提取。本工作中，我们将交通场景建模为空间语义场景图的形式，用于关于交通参与者（如加速与减速）的多种不同预测。我们的学习与推理方法使用图神经网络（GNN），并表明引入交通参与者间空间语义关系的显式信息可改善预测结果。具体而言，与未利用该显式信息的基线相比，交通参与者的加速度预测提升达 12%。此外，通过纳入关于先前场景的附加信息，我们实现了 73% 的提升。
引用
@article{arxiv.2212.02503,
title = {Relation-based Motion Prediction using Traffic Scene Graphs},
author = {Maximilian Zipfl and Felix Hertlein and Achim Rettinger and Steffen Thoma and Lavdim Halilaj and Juergen Luettin and Stefan Schmid and Cory Henson},
journal= {arXiv preprint arXiv:2212.02503},
year = {2022}
}