nuScenes Knowledge Graph — A comprehensive semantic representation of traffic scenes for trajectory prediction

要約

交通シーンにおける軌道予測には、周囲の車両の挙動を正確に予測することが含まれます。
この目的を達成するには、車両の走行経路、道路トポロジ、車線分割線、交通ルールなどのコンテキスト情報を考慮することが重要です。
研究では、軌道予測を改善するために異種コンテキストを活用する可能性が実証されていますが、最先端の深層学習アプローチは依然としてこの情報の限られたサブセットに依存しています。
これは主に、包括的な表現が限られていることが原因です。
この論文では、ナレッジ グラフを利用して、交通シーン内の多様なエンティティとそのセマンティックな接続をモデル化するアプローチを紹介します。
さらに、nuScenes データセットのナレッジ グラフである nuScenes Knowledge Graph (nSKG) を紹介します。これは、すべてのシーン参加者と道路要素、およびそれらの意味論的および空間的関係を明示的にモデル化します。
軌道予測のためのグラフ ニューラル ネットワーク経由の nSKG の使用を容易にするために、PyG ライブラリですぐに使用できる形式でデータを提供します。
すべてのアーティファクトはここで見つけることができます: https://github.com/boschresearch/nuScenes_Knowledge_Graph

要約(オリジナル)

Trajectory prediction in traffic scenes involves accurately forecasting the behaviour of surrounding vehicles. To achieve this objective it is crucial to consider contextual information, including the driving path of vehicles, road topology, lane dividers, and traffic rules. Although studies demonstrated the potential of leveraging heterogeneous context for improving trajectory prediction, state-of-the-art deep learning approaches still rely on a limited subset of this information. This is mainly due to the limited availability of comprehensive representations. This paper presents an approach that utilizes knowledge graphs to model the diverse entities and their semantic connections within traffic scenes. Further, we present nuScenes Knowledge Graph (nSKG), a knowledge graph for the nuScenes dataset, that models explicitly all scene participants and road elements, as well as their semantic and spatial relationships. To facilitate the usage of the nSKG via graph neural networks for trajectory prediction, we provide the data in a format, ready-to-use by the PyG library. All artefacts can be found here: https://github.com/boschresearch/nuScenes_Knowledge_Graph

arxiv情報

提供元, 利用サービス

arxiv.jp, Google