Heterogeneous Trajectory Forecasting via Risk and Scene Graph Learning

要約

異種の軌道予測はインテリジェント交通システムにとって重要ですが、異種の道路エージェント間の複雑な相互作用関係やエージェント環境の制約をモデル化するのが難しいため、困難です。
本研究では、異種道路エージェントの軌跡予測のためのリスク・シーングラフ学習法を提案する。この学習法は、エージェントカテゴリとその可動意味領域の観点から、異種リスクグラフ(HRG)と階層的シーングラフ(HSG)から構成される。
。
HRG は、各種のロード エージェントをグループ化し、効果的な衝突リスク メトリックに基づいて相互作用隣接行列を計算します。
運転シーンの HSG は、道路エージェントと道路シーン文法によって調整された道路意味論的レイアウトの間の関係を推論することによってモデル化されます。
この定式化に基づいて、運転状況で効果的な軌道予測を得ることができ、他の最先端のアプローチよりも優れたパフォーマンスが、nuScenes、ApolloScape、Argoverse データセットでの徹底的な実験によって実証されています。

要約(オリジナル)

Heterogeneous trajectory forecasting is critical for intelligent transportation systems, but it is challenging because of the difficulty of modeling the complex interaction relations among the heterogeneous road agents as well as their agent-environment constraints. In this work, we propose a risk and scene graph learning method for trajectory forecasting of heterogeneous road agents, which consists of a Heterogeneous Risk Graph (HRG) and a Hierarchical Scene Graph (HSG) from the aspects of agent category and their movable semantic regions. HRG groups each kind of road agent and calculates their interaction adjacency matrix based on an effective collision risk metric. HSG of the driving scene is modeled by inferring the relationship between road agents and road semantic layout aligned by the road scene grammar. Based on this formulation, we can obtain effective trajectory forecasting in driving situations, and superior performance to other state-of-the-art approaches is demonstrated by exhaustive experiments on the nuScenes, ApolloScape, and Argoverse datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google