Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks

要約

車両軌道の正確な予測は、先進運転支援システムや自動運転車にとって不可欠です。
既存の手法は主に、大規模なデータセットから得られる一般的な軌道予測に依存しており、個々のドライバーのパーソナライズされた運転パターンは無視されています。
このギャップに対処するために、時間グラフ ニューラル ネットワークを組み込んだ、インタラクションを意識したパーソナライズされた車両軌道予測のアプローチを提案します。
私たちの手法は、グラフ畳み込みネットワーク (GCN) と長期短期記憶 (LSTM) を利用して、ターゲット車両とその周囲の交通間の時空間相互作用をモデル化します。
予測をパーソナライズするために、転移学習を活用するパイプラインを確立します。モデルは最初に大規模な軌跡データセットで事前トレーニングされ、次に特定の運転データを使用してドライバーごとに微調整されます。
当社では、人間参加型シミュレーションを採用して、パーソナライズされた自然な運転軌跡と、それに対応する周囲の車両の軌跡を収集します。
実験結果は、一般的なモデルと比較して、特に長い予測範囲において、パーソナライズされた GCN-LSTM モデルの優れたパフォーマンスを示しています。
さらに、パーソナライズされたモデルは、事前トレーニングなしで作成された個々のモデルよりも優れており、過剰適合を回避するために大規模なデータセットで事前トレーニングすることの重要性が強調されています。
パーソナライゼーションを組み込むことで、私たちのアプローチは軌道予測の精度を高めます。

要約(オリジナル)

Accurate prediction of vehicle trajectories is vital for advanced driver assistance systems and autonomous vehicles. Existing methods mainly rely on generic trajectory predictions derived from large datasets, overlooking the personalized driving patterns of individual drivers. To address this gap, we propose an approach for interaction-aware personalized vehicle trajectory prediction that incorporates temporal graph neural networks. Our method utilizes Graph Convolution Networks (GCN) and Long Short-Term Memory (LSTM) to model the spatio-temporal interactions between target vehicles and their surrounding traffic. To personalize the predictions, we establish a pipeline that leverages transfer learning: the model is initially pre-trained on a large-scale trajectory dataset and then fine-tuned for each driver using their specific driving data. We employ human-in-the-loop simulation to collect personalized naturalistic driving trajectories and corresponding surrounding vehicle trajectories. Experimental results demonstrate the superior performance of our personalized GCN-LSTM model, particularly for longer prediction horizons, compared to its generic counterpart. Moreover, the personalized model outperforms individual models created without pre-training, emphasizing the significance of pre-training on a large dataset to avoid overfitting. By incorporating personalization, our approach enhances trajectory prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google