Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory Prediction using Diffusion Graph Convolutional Networks

要約

車両の軌道を予測することは、特に渋滞した複数車線の高速道路で自動車両の運行効率と安全性を確保するために重要です。
このような動的な環境では、車両の動きはその履歴的な動作や周囲の車両との相互作用によって決定されます。
これらの複雑な相互作用は予測不可能な動作パターンから生じ、詳細な調査が必要な幅広い運転行動につながります。
この研究では、これらのインタラクションを効果的に捕捉することで将来の車両の軌道を確率的に予測するように設計された、グラフベースのインタラクション対応マルチモーダル軌道予測 (GIMTP) フレームワークを紹介します。
このフレームワーク内では、車両の動きは時間変化するグラフのノードとして概念化され、交通相互作用は動的な隣接行列で表されます。
この動的隣接行列に埋め込まれた空間依存性と時間依存性の両方を総合的に捕捉するために、この方法論には拡散グラフ畳み込みネットワーク (DGCN) が組み込まれており、それによって過去の状態と将来の状態の両方のグラフ埋め込みが提供されます。
さらに、運転意図固有の特徴融合を採用し、過去および将来の埋め込みを適応的に統合して、意図認識と軌道予測を強化します。
このモデルは、縦方向および横方向の運転行動の各モードについて 2 次元の予測を提供し、対応する確率で確率的な将来の経路を提供し、複雑な車両相互作用と運転行動のマルチモダリティの課題に対処します。
現実世界の軌跡データセットを使用した検証により、効率と可能性が実証されます。

要約(オリジナル)

Predicting vehicle trajectories is crucial for ensuring automated vehicle operation efficiency and safety, particularly on congested multi-lane highways. In such dynamic environments, a vehicle’s motion is determined by its historical behaviors as well as interactions with surrounding vehicles. These intricate interactions arise from unpredictable motion patterns, leading to a wide range of driving behaviors that warrant in-depth investigation. This study presents the Graph-based Interaction-aware Multi-modal Trajectory Prediction (GIMTP) framework, designed to probabilistically predict future vehicle trajectories by effectively capturing these interactions. Within this framework, vehicles’ motions are conceptualized as nodes in a time-varying graph, and the traffic interactions are represented by a dynamic adjacency matrix. To holistically capture both spatial and temporal dependencies embedded in this dynamic adjacency matrix, the methodology incorporates the Diffusion Graph Convolutional Network (DGCN), thereby providing a graph embedding of both historical states and future states. Furthermore, we employ a driving intention-specific feature fusion, enabling the adaptive integration of historical and future embeddings for enhanced intention recognition and trajectory prediction. This model gives two-dimensional predictions for each mode of longitudinal and lateral driving behaviors and offers probabilistic future paths with corresponding probabilities, addressing the challenges of complex vehicle interactions and multi-modality of driving behaviors. Validation using real-world trajectory datasets demonstrates the efficiency and potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google