KI-GAN: Knowledge-Informed Generative Adversarial Networks for Enhanced Multi-Vehicle Trajectory Forecasting at Signalized Intersections

要約

信号交差点における車両の軌道を確実に予測することは、都市交通管理や自動運転システムにとって極めて重要です。
ただし、交差点での複雑な道路レイアウト、交通信号制御の関与、さまざまなタイプの道路利用者間の相互作用により、独特の課題が生じます。
これらの問題に対処するために、本稿では、知識情報に基づいた敵対的生成ネットワーク (KI-GAN) と呼ばれる新しいモデルを紹介します。このモデルは、交通信号情報と複数車両のインタラクションの両方を統合して、車両の軌道を正確に予測します。
さらに、交差点での車両の向きと近接性を考慮した特殊な注意プーリング手法を提案します。
SinD データセットに基づいた KI-GAN モデルは、6 秒の観測と 6 秒の予測サイクルで、平均変位誤差 (ADE) 0.05 と最終変位誤差 (FDE) 0.12 を達成できます。
予測ウィンドウが 9 秒に延長されると、ADE 値と FDE 値はそれぞれ 0.11 と 0.26 にさらに減少します。
これらの結果は、信号交差点での複雑なシナリオ下での車両軌道予測における提案された KI-GAN モデルの有効性を実証しており、対象分野における大幅な進歩を表しています。

要約(オリジナル)

Reliable prediction of vehicle trajectories at signalized intersections is crucial to urban traffic management and autonomous driving systems. However, it presents unique challenges, due to the complex roadway layout at intersections, involvement of traffic signal controls, and interactions among different types of road users. To address these issues, we present in this paper a novel model called Knowledge-Informed Generative Adversarial Network (KI-GAN), which integrates both traffic signal information and multi-vehicle interactions to predict vehicle trajectories accurately. Additionally, we propose a specialized attention pooling method that accounts for vehicle orientation and proximity at intersections. Based on the SinD dataset, our KI-GAN model is able to achieve an Average Displacement Error (ADE) of 0.05 and a Final Displacement Error (FDE) of 0.12 for a 6-second observation and 6-second prediction cycle. When the prediction window is extended to 9 seconds, the ADE and FDE values are further reduced to 0.11 and 0.26, respectively. These results demonstrate the effectiveness of the proposed KI-GAN model in vehicle trajectory prediction under complex scenarios at signalized intersections, which represents a significant advancement in the target field.

arxiv情報

著者 Chuheng Wei,Guoyuan Wu,Matthew J. Barth,Amr Abdelraouf,Rohit Gupta,Kyungtae Han
発行日 2024-04-17 08:53:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, cs.RO パーマリンク