GAMDTP: Dynamic Trajectory Prediction with Graph Attention Mamba Network

要約

トラフィックエージェントの正確なモーション予測は、自律運転システムの安全性と安定性に不可欠です。
この論文では、動的軌道予測に合わせた新しいグラフ注意ベースのネットワークであるGAMDTPを紹介します。
具体的には、各グラフの畳み込み層で、両方の強度をより効率的かつ正確に抽出するために両方の強度を活用して、ゲートメカニズムを介して自己注意とMamba-SSMの結果を融合します。
GAMDTPは、高解像度マップ（HDマップ）データとエージェントの履歴軌跡座標をエンコードし、ネットワークの出力をデコードして最終的な予測結果を生成します。
さらに、最近のアプローチは、主に歴史的予測結果を動的に融合し、提案や改良などの2段階のフレームワークに依存することに焦点を当てています。
2段階のフレームワークのパフォーマンスをさらに向上させるために、提案および改良プロセス中に予測の品質を評価するためのスコアリングメカニズムも設計します。
Argoverse Datasetの実験は、GamdTPが最先端のパフォーマンスを達成し、動的軌道予測で優れた精度を達成することを示しています。

要約(オリジナル)

Accurate motion prediction of traffic agents is crucial for the safety and stability of autonomous driving systems. In this paper, we introduce GAMDTP, a novel graph attention-based network tailored for dynamic trajectory prediction. Specifically, we fuse the result of self attention and mamba-ssm through a gate mechanism, leveraging the strengths of both to extract features more efficiently and accurately, in each graph convolution layer. GAMDTP encodes the high-definition map(HD map) data and the agents’ historical trajectory coordinates and decodes the network’s output to generate the final prediction results. Additionally, recent approaches predominantly focus on dynamically fusing historical forecast results and rely on two-stage frameworks including proposal and refinement. To further enhance the performance of the two-stage frameworks we also design a scoring mechanism to evaluate the prediction quality during the proposal and refinement processes. Experiments on the Argoverse dataset demonstrates that GAMDTP achieves state-of-the-art performance, achieving superior accuracy in dynamic trajectory prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google