Convolutions for Spatial Interaction Modeling

要約

様々な分野において、物体間の相互作用は、その振る舞いを決定する上で重要な役割を果たす。グラフニューラルネットワーク(GNN)は相互作用をモデル化するための強力なツールとして登場したが、しばしばかなりの複雑さと待ち時間を追加する代償を払うことになる。本論文では、自律走行車の周りのアクターの動きを予測するという文脈で、空間的相互作用のモデリングの問題を検討し、GNNの代替手段を検討する。我々は2次元畳み込みを再考し、空間的相互作用のモデル化においてグラフネットワークと同等の性能をより低いレイテンシで実現できることを示し、タイムクリティカルなシステムにおいて効果的かつ効率的な代替手段を提供できることを示す。さらに、検討した手法の相互作用モデリングをさらに向上させるために、新しい相互作用損失を提案する。

要約(オリジナル)

In many different fields interactions between objects play a critical role in determining their behavior. Graph neural networks (GNNs) have emerged as a powerful tool for modeling interactions, although often at the cost of adding considerable complexity and latency. In this paper, we consider the problem of spatial interaction modeling in the context of predicting the motion of actors around autonomous vehicles, and investigate alternatives to GNNs. We revisit 2D convolutions and show that they can demonstrate comparable performance to graph networks in modeling spatial interactions with lower latency, thus providing an effective and efficient alternative in time-critical systems. Moreover, we propose a novel interaction loss to further improve the interaction modeling of the considered methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL