Dynamic Scenario Representation Learning for Motion Forecasting with Heterogeneous Graph Convolutional Recurrent Networks

要約

動的なシナリオでは相互作用が複雑で変化するため、モーション予測は自動運転における困難な問題です。
ほとんどの既存の作業は、シナリオを特徴付けるために静的道路グラフを利用しており、動的シナリオで進化する時空間依存関係のモデル化には制限があります。
このホワイト ペーパーでは、シナリオをモデル化するために、動的な異種グラフを使用します。
車両（エージェント）や車線、マルチタイプのインタラクション、それらの経時変化など、さまざまなシナリオ構成要素がまとめてエンコードされています。
さらに、新しい異種グラフ畳み込み再帰型ネットワークを設計し、多様な相互作用情報を集約してそれらの進化をキャプチャし、動的グラフの固有の時空間依存関係を活用し、動的シナリオの効果的な表現を取得することを学びます。
最後に、モーション予測デコーダーを使用して、モデルはエージェントの現実的でマルチモーダルな将来の軌跡を予測し、いくつかのモーション予測ベンチマークで最新の公開された作品よりも優れています。

要約(オリジナル)

Due to the complex and changing interactions in dynamic scenarios, motion forecasting is a challenging problem in autonomous driving. Most existing works exploit static road graphs to characterize scenarios and are limited in modeling evolving spatio-temporal dependencies in dynamic scenarios. In this paper, we resort to dynamic heterogeneous graphs to model the scenario. Various scenario components including vehicles (agents) and lanes, multi-type interactions, and their changes over time are jointly encoded. Furthermore, we design a novel heterogeneous graph convolutional recurrent network, aggregating diverse interaction information and capturing their evolution, to learn to exploit intrinsic spatio-temporal dependencies in dynamic graphs and obtain effective representations of dynamic scenarios. Finally, with a motion forecasting decoder, our model predicts realistic and multi-modal future trajectories of agents and outperforms state-of-the-art published works on several motion forecasting benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google