MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving

要約

この論文では、高解像度の地図に依存せずに、動的交通シナリオにおける複雑なインタラクションを捕捉することに焦点を当て、自動運転向けに調整された軌道予測モデルを紹介します。
MFTraj と呼ばれるこのモデルは、新しい動的幾何学グラフベースの行動認識モジュールと組み合わせた過去の軌跡データを利用します。
その中核となるのは、適応型の構造認識型インタラクティブ グラフ畳み込みネットワークで、道路利用者の位置と行動の両方の特徴を捕捉し、時空間の複雑さを維持します。
線形アテンション メカニズムによって強化されたこのモデルは、計算効率とパラメータ オーバーヘッドの削減を実現します。
Argoverse、NGSIM、HighD、および MoCAD データセットの評価では、MFTraj の堅牢性と適応性が強調され、HD マップやベクトル化マップなどの追加情報を必要とせずに、データに困難なシナリオでも多数のベンチマークを上回ります。
重要なのは、データが大幅に欠落しているシナリオでも、既存のほとんどの最先端モデルと同等の競争力のあるパフォーマンスを維持できることです。
この結果と方法論は、自動運転の軌道予測が大幅に進歩し、より安全で効率的な自律システムへの道を開くことを示唆しています。

要約(オリジナル)

This paper introduces a trajectory prediction model tailored for autonomous driving, focusing on capturing complex interactions in dynamic traffic scenarios without reliance on high-definition maps. The model, termed MFTraj, harnesses historical trajectory data combined with a novel dynamic geometric graph-based behavior-aware module. At its core, an adaptive structure-aware interactive graph convolutional network captures both positional and behavioral features of road users, preserving spatial-temporal intricacies. Enhanced by a linear attention mechanism, the model achieves computational efficiency and reduced parameter overhead. Evaluations on the Argoverse, NGSIM, HighD, and MoCAD datasets underscore MFTraj’s robustness and adaptability, outperforming numerous benchmarks even in data-challenged scenarios without the need for additional information such as HD maps or vectorized maps. Importantly, it maintains competitive performance even in scenarios with substantial missing data, on par with most existing state-of-the-art models. The results and methodology suggest a significant advancement in autonomous driving trajectory prediction, paving the way for safer and more efficient autonomous systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google