Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric

要約

タイトル：自動運転における幾何学的深層学習：CommonRoad-Geometricでグラフニューラルネットワークの力を引き出す

要約：

– 異種グラフは、さまざまな交通参加者と基盤となる道路インフラストラクチャー間の複雑な相互作用効果をモデル化する能力から、交通の強力なデータ表現を提供する。
– グラフニューラルネットワーク（GNN）の現在の発展により、グラフ構造は軌道予測などのさまざまな機械学習アプリケーションに効率的に活用される。
– これが初めてのことで、提案されたPythonフレームワークは、標準化されたグラフデータセットを交通シナリオから抽出するための使いやすく、完全にカスタマイズ可能なデータ処理パイプラインを提供します。
– GNNに基づく自律走行研究のプラットフォームを提供し、アプローチ間の比較可能性を向上させ、研究者がデータセットキュレーションに集中するのではなく、モデルの実装に焦点を当てることができます。

要約(オリジナル)

Heterogeneous graphs offer powerful data representations for traffic, given their ability to model the complex interaction effects among a varying number of traffic participants and the underlying road infrastructure. With the recent advent of graph neural networks (GNNs) as the accompanying deep learning framework, the graph structure can be efficiently leveraged for various machine learning applications such as trajectory prediction. As a first of its kind, our proposed Python framework offers an easy-to-use and fully customizable data processing pipeline to extract standardized graph datasets from traffic scenarios. Providing a platform for GNN-based autonomous driving research, it improves comparability between approaches and allows researchers to focus on model implementation instead of dataset curation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI