RAIST: Learning Risk Aware Traffic Interactions via Spatio-Temporal Graph Convolutional Networks

要約

道路車両の運転の重要な側面は、他の道路利用者と対話し、彼らの意図を評価し、リスクを認識した戦術的な決定を下すことです。
インテリジェントな自動運転システムを実現する直感的なアプローチは、人間の運転行動のいくつかの側面を組み込むことになります。
この目的を達成するために、私たちは時空間交通グラフに基づいた自己中心的な視点のための新しい運転フレームワークを提案します。
交通グラフは、道路利用者間の空間的なインタラクションだけでなく、時間的に関連付けられたメッセージ パッシングを通じて道路利用者の個人的な意図もモデル化します。
時空間グラフ畳み込みネットワーク (ST-GCN) を利用して、グラフ エッジをトレーニングします。
これらのエッジは、3D 位置のパラメータ化された関数と道路エージェントのシーンを認識した外観特徴を使用して定式化されます。
戦術的行動の予測とともに、提案されたフレームワークのリスク評価能力を評価することが重要です。
私たちのフレームワークは、リスクオブジェクトの識別タスク、特に歩行者や自転車のような脆弱な相互作用を持つオブジェクトの識別タスクを改善することで、リスクを認識した表現を学習すると主張しています。

要約(オリジナル)

A key aspect of driving a road vehicle is to interact with other road users, assess their intentions and make risk-aware tactical decisions. An intuitive approach to enabling an intelligent automated driving system would be incorporating some aspects of human driving behavior. To this end, we propose a novel driving framework for egocentric views based on spatio-temporal traffic graphs. The traffic graphs model not only the spatial interactions amongst the road users but also their individual intentions through temporally associated message passing. We leverage a spatio-temporal graph convolutional network (ST-GCN) to train the graph edges. These edges are formulated using parameterized functions of 3D positions and scene-aware appearance features of road agents. Along with tactical behavior prediction, it is crucial to evaluate the risk-assessing ability of the proposed framework. We claim that our framework learns risk-aware representations by improving on the task of risk object identification, especially in identifying objects with vulnerable interactions like pedestrians and cyclists.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google