SocialFormer：基于边缘增强异构图转换器的社交交互轨迹预测模型
人工智能
2024-05-08 v1
摘要
准确的轨迹预测对于确保自动驾驶的安全和效率至关重要。然而，大多数现有方法忽略了支配其未来轨迹的复杂交互。在本文中，我们提出了SocialFormer，一种利用道路拓扑结构捕获目标车辆与周围车辆之间语义关系的代理交互感知轨迹预测方法。我们还引入了基于边缘增强的异构图转换器（EHGT）作为图神经网络（GNN）中的聚合器，以编码代理的语义和空间交互信息。此外，我们引入基于门控循环单元（GRU）的时序编码器来建模代理运动的时序社交行为。最后，我们提出了一个信息融合框架，将代理编码、车道编码和代理交互编码整合，以全面表示交通场景。我们在流行的nuScenes基准数据集上对SocialFormer进行了评估，实现了最先进的性能。
引用
@article{arxiv.2405.03809,
title = {SocialFormer: Social Interaction Modeling with Edge-enhanced Heterogeneous Graph Transformers for Trajectory Prediction},
author = {Zixu Wang and Zhigang Sun and Juergen Luettin and Lavdim Halilaj},
journal= {arXiv preprint arXiv:2405.03809},
year = {2024}
}