High-Order Evolving Graphs for Enhanced Representation of Traffic Dynamics

要約

自動運転コンテキストにおける時空間表現を改善するために設計された、高次進化グラフを使用した交通ダイナミクス分析のための革新的なフレームワークを紹介します。
私たちのアプローチは、交通シーン内の複雑な相互作用をリアルタイムで効果的にモデル化する時間双方向二部グラフを構築します。
グラフ ニューラル ネットワーク (GNN) を高次のマルチ集約戦略と統合することにより、交通現場のダイナミクスのモデリングが大幅に強化され、これらのインタラクションのより正確かつ詳細な分析が提供されます。
さらに、GraphSAGE フレームワークからインスピレーションを得た帰納的学習手法を組み込んでおり、モデルを再トレーニングせずに新しいまだ見たことのないトラフィック シナリオに適応できるようにし、堅牢な一般化を保証します。
ROAD および ROAD Waymo データセットに関する広範な実験を通じて、さらなる開発のための包括的なベースラインを確立し、交通行動を正確に捕捉する方法の可能性を実証します。
私たちの結果は、交通行動分析の改善における高次の統計モーメントと特徴ゲート型注意メカニズムの価値を強調し、自動運転技術を進歩させるための基礎を築きます。
ソース コードは https://github.com/Addy-1998/High_Order_Graphs から入手できます。

要約(オリジナル)

We present an innovative framework for traffic dynamics analysis using High-Order Evolving Graphs, designed to improve spatio-temporal representations in autonomous driving contexts. Our approach constructs temporal bidirectional bipartite graphs that effectively model the complex interactions within traffic scenes in real-time. By integrating Graph Neural Networks (GNNs) with high-order multi-aggregation strategies, we significantly enhance the modeling of traffic scene dynamics, providing a more accurate and detailed analysis of these interactions. Additionally, we incorporate inductive learning techniques inspired by the GraphSAGE framework, enabling our model to adapt to new and unseen traffic scenarios without the need for retraining, thus ensuring robust generalization. Through extensive experiments on the ROAD and ROAD Waymo datasets, we establish a comprehensive baseline for further developments, demonstrating the potential of our method in accurately capturing traffic behavior. Our results emphasize the value of high-order statistical moments and feature-gated attention mechanisms in improving traffic behavior analysis, laying the groundwork for advancing autonomous driving technologies. Our source code is available at: https://github.com/Addy-1998/High_Order_Graphs

arxiv情報

提供元, 利用サービス

arxiv.jp, Google