用于轨迹预测的谱时序图神经网络
计算机视觉与模式识别
2021-06-08 v1 人工智能
机器学习
机器人学
摘要
对上下文环境的有效理解以及对周围智能体的精确运动预测，对于自动驾驶车辆和社交移动机器人的发展至关重要。该任务具有挑战性，因为自主智能体的行为不仅受其自身意图影响，还受静态环境及周围动态交互智能体影响。先前工作侧重于利用时域中的空间和时间信息，而未充分利用频域中的线索。为此，我们提出了谱时序图神经网络(SpecTGNN)，它能在频域及时域中同时捕获智能体间相关性和时间依赖性。SpecTGNN在两条流上运行：一条是具有动态状态信息的智能体图，另一条是具有从上下文图像提取特征的环境图。该模型集成图傅里叶变换、谱图卷积和时序门控卷积以编码历史信息并预测未来轨迹。此外，我们引入多头时空注意力机制，以减轻长时间范围内误差传播的影响。我们在两个公开轨迹预测基准数据集上展示了SpecTGNN的性能，其在预测精度方面达到了最先进(SOTA)性能。
引用
@article{arxiv.2106.02930,
title = {Spectral Temporal Graph Neural Network for Trajectory Prediction},
author = {Defu Cao and Jiachen Li and Hengbo Ma and Masayoshi Tomizuka},
journal= {arXiv preprint arXiv:2106.02930},
year = {2021}
}
备注
ICRA 2021