A Multidimensional Graph Fourier Transformation Neural Network for Vehicle Trajectory Prediction

要約

本研究では、高速道路における長期的な軌跡予測のための多次元グラフフーリエ変換ニューラルネットワーク（GFTNN）を紹介する。グラフニューラルネットワーク（GNN）と同様に、GFTNNはグラフ構造上で動作する新しいネットワークアーキテクチャである。いくつかのGNNは、最適でない集約スキームにより識別力を欠いているが、提案モデルは、多次元グラフフーリエ変換（GFT）という強力な操作によりシナリオの特性を集約するものである。シナリオの時空間的な車両相互作用グラフは、GFTを用いてスペクトル的なシナリオ表現に変換される。この有益な表現は、ニューラルネットワークと記述的デコーダで構成される予測フレームワークに入力されます。提案するGFTNNはリカレント要素を含まないにもかかわらず、高速道路の軌跡予測タスクにおいて、最先端のモデルを凌駕している。実験と評価には、一般に公開されているデータセットであるhighDとNGSIMを用いた

要約(オリジナル)

This work introduces the multidimensional Graph Fourier Transformation Neural Network (GFTNN) for long-term trajectory predictions on highways. Similar to Graph Neural Networks (GNNs), the GFTNN is a novel network architecture that operates on graph structures. While several GNNs lack discriminative power due to suboptimal aggregation schemes, the proposed model aggregates scenario properties through a powerful operation: the multidimensional Graph Fourier Transformation (GFT). The spatio-temporal vehicle interaction graph of a scenario is converted into a spectral scenario representation using the GFT. This beneficial representation is input to the prediction framework composed of a neural network and a descriptive decoder. Even though the proposed GFTNN does not include any recurrent element, it outperforms state-of-the-art models in the task of highway trajectory prediction. For experiments and evaluation, the publicly available datasets highD and NGSIM are used

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL