Heterogeneous Graph-based Trajectory Prediction using Local Map Context and Social Interactions

要約

周囲の交通参加者の将来の軌道を正確に予測することは、交通エージェント、地図のコンテキスト、交通ルール間の複雑な相互作用のため、自動運転においては重要だが困難な問題です。
ベクトルベースのアプローチは、最近、軌道予測ベンチマークにおいて最高のパフォーマンスを達成することが示されています。
これらの方法は、交通エージェント間の単純な相互作用をモデル化しますが、関係タイプと、道路に沿った距離などの属性とを区別しません。
さらに、これらは中心線を表す一連のベクトルによってのみ車線を表し、車線分割線やその他の道路要素などのコンテキスト情報を無視します。
我々は、3 つの重要な情報源を活用することでこれらの欠点に対処する、ベクトルベースの軌跡予測の新しいアプローチを提案します。 まず、交通エージェント間の関係の性質と重要な特徴を説明するセマンティック シーン グラフによって交通エージェント間の対話をモデル化します。
次に、エージェント中心の画像ベースの地図特徴を抽出して、ローカル マップ コンテキストをモデル化します。
最後に、マルチモーダル予測のポリシーを許可された軌道のみに適用するアンカー パスを生成します。
これら 3 つの機能強化はそれぞれ、ベースライン モデルの HoliGraph と比較して利点を示しています。

要約(オリジナル)

Precisely predicting the future trajectories of surrounding traffic participants is a crucial but challenging problem in autonomous driving, due to complex interactions between traffic agents, map context and traffic rules. Vector-based approaches have recently shown to achieve among the best performances on trajectory prediction benchmarks. These methods model simple interactions between traffic agents but don’t distinguish between relation-type and attributes like their distance along the road. Furthermore, they represent lanes only by sequences of vectors representing center lines and ignore context information like lane dividers and other road elements. We present a novel approach for vector-based trajectory prediction that addresses these shortcomings by leveraging three crucial sources of information: First, we model interactions between traffic agents by a semantic scene graph, that accounts for the nature and important features of their relation. Second, we extract agent-centric image-based map features to model the local map context. Finally, we generate anchor paths to enforce the policy in multi-modal prediction to permitted trajectories only. Each of these three enhancements shows advantages over the baseline model HoliGraph.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google