Trajectory Forecasting on Temporal Graphs

要約

シーン内のエージェントの将来位置を予測することは、自動運転における重要な問題である。近年、シーンとその中のエージェントを表現することが大きく進展している。エージェントとシーン、そしてエージェント同士の相互作用は、一般的にグラフニューラルネットワークでモデル化される。しかし、グラフ構造はほとんどが静的であり、高度に動的なシーンにおける時間的変化を表現することができない。本研究では、交通シーンにおけるダイナミクスをより良く捉えるために、時間グラフ表現を提案する。本論文では、時間グラフ表現を、注目するエージェントとシーン全体に注目する2種類のメモリモジュールで補完する。これにより、時間軸を意識した表現を学習することができ、複数の未来に対する単純な回帰でも良い結果を得ることができる。また、目標条件付き予測と組み合わせることで、Argoverseベンチマークにおいて最先端の性能に達することができる、より良い結果を示す。

要約(オリジナル)

Predicting future locations of agents in the scene is an important problem in self-driving. In recent years, there has been a significant progress in representing the scene and the agents in it. The interactions of agents with the scene and with each other are typically modeled with a Graph Neural Network. However, the graph structure is mostly static and fails to represent the temporal changes in highly dynamic scenes. In this work, we propose a temporal graph representation to better capture the dynamics in traffic scenes. We complement our representation with two types of memory modules; one focusing on the agent of interest and the other on the entire scene. This allows us to learn temporally-aware representations that can achieve good results even with simple regression of multiple futures. When combined with goal-conditioned prediction, we show better results that can reach the state-of-the-art performance on the Argoverse benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL