SCALE-Net：基于边增强图卷积神经网络在随机数量交互车辆下的可扩展车辆轨迹预测网络
计算机视觉与模式识别
2020-03-02 v1 多智能体系统
机器人学
摘要
在随机变化的交通级别中预测周围车辆的未来轨迹是开发自动驾驶车辆最具挑战性的问题之一。由于参与的交互车辆数量没有预定义，预测网络必须相对于车辆数量可扩展，以保证在精度与计算负载方面的一致性。本文提出首个完全可扩展的轨迹预测网络 SCALE-Net，其可确保更高的预测性能与一致的计算负载，而与周围车辆数量无关。SCALE-Net 采用边增强图卷积神经网络（EGCN）作为车辆间交互嵌入网络。由于所提 EGCN 固有地相对于图节点（本研究中为智能体）可扩展，该模型可独立于所考虑的车辆总数运行。我们在公开可用的 NGSIM 数据集上评估了 SCALE-Net 的可扩展性，通过比较每个单一驾驶场景下随车辆数量变化的计算时间与预测精度差异。实验测试表明，无论交通复杂程度如何，SCALE-Net 的计算时间与预测性能都始终优于先前模型。
关键词
引用
@article{arxiv.2002.12609,
title = {SCALE-Net: Scalable Vehicle Trajectory Prediction Network under Random Number of Interacting Vehicles via Edge-enhanced Graph Convolutional Neural Network},
author = {Hyeongseok Jeon and Junwon Choi and Dongsuk Kum},
journal= {arXiv preprint arXiv:2002.12609},
year = {2020}
}
备注
8 pages, 9 figures, and 2 tables, the paper is submitted to the conference IROS2020 and is under review