Cross-Domain Transfer Learning using Attention Latent Features for Multi-Agent Trajectory Prediction

要約

センサーハードウェア、交通インフラ、ディープラーニングアーキテクチャの進歩により、車両の軌道予測はインテリジェント交通システムの強固な基盤を確立しました。
ただし、既存のソリューションは多くの場合、特定の期間の特定のトラフィック ネットワークに合わせて調整されています。
その結果、1 つのネットワークでトレーニングされた深層学習モデルは、目に見えないネットワークに効果的に一般化するのに苦労する可能性があります。
これに対処するために、Transformer ベースのモデルの注意表現に対してクロスドメイン適応を実行する新しい時空間軌跡予測フレームワークを提案しました。
グラフ畳み込みネットワークも統合され、複数の交通ドメインにわたるマルチエージェント車両間の複雑な時空間相互作用を正確にモデル化する動的グラフ特徴埋め込みを構築します。
提案された枠組みは、都市間および期間をまたいだ設定を含む 2 つのケーススタディで検証されます。
実験結果は、私たちが提案したフレームワークが、最先端のモデルよりも優れた軌道予測とドメイン適応パフォーマンスを達成することを示しています。

要約(オリジナル)

With the advancements of sensor hardware, traffic infrastructure and deep learning architectures, trajectory prediction of vehicles has established a solid foundation in intelligent transportation systems. However, existing solutions are often tailored to specific traffic networks at particular time periods. Consequently, deep learning models trained on one network may struggle to generalize effectively to unseen networks. To address this, we proposed a novel spatial-temporal trajectory prediction framework that performs cross-domain adaption on the attention representation of a Transformer-based model. A graph convolutional network is also integrated to construct dynamic graph feature embeddings that accurately model the complex spatial-temporal interactions between the multi-agent vehicles across multiple traffic domains. The proposed framework is validated on two case studies involving the cross-city and cross-period settings. Experimental results show that our proposed framework achieves superior trajectory prediction and domain adaptation performances over the state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google