NEST: A Neuromodulated Small-world Hypergraph Trajectory Prediction Model for Autonomous Driving

要約

自動運転の安全性と効率性には、正確な軌道予測が不可欠です。
従来のモデルは、リアルタイム処理、交通環境における非線形性と不確実性の把握、密集した交通における効率性、インタラクションの時間的ダイナミクスのモデル化に苦労することがよくあります。
スモールワールド ネットワークとハイパーグラフを統合して優れたインタラクション モデリングと予測精度を実現する新しいフレームワークである NEST (Neuromodulated Small-world Hypergraph Trajectory Prediction) を紹介します。
この統合により、ニューロモジュレーター コンポーネントが変化する交通状況に動的に適応しながら、ローカルおよび拡張された車両インタラクションの両方をキャプチャできるようになります。
nuScenes、MoCAD、HighD など、いくつかの実世界のデータセットで NEST モデルを検証します。
結果は、NEST がさまざまなトラフィック シナリオにおいて既存の方法より優れていることを一貫して示しており、その並外れた一般化能力、効率性、および時間的先見性を示しています。
私たちの総合的な評価は、NEST が自動運転システムの信頼性と運用効率を大幅に向上させ、複雑な交通環境における軌道予測のための堅牢なソリューションとなることを示しています。

要約(オリジナル)

Accurate trajectory prediction is essential for the safety and efficiency of autonomous driving. Traditional models often struggle with real-time processing, capturing non-linearity and uncertainty in traffic environments, efficiency in dense traffic, and modeling temporal dynamics of interactions. We introduce NEST (Neuromodulated Small-world Hypergraph Trajectory Prediction), a novel framework that integrates Small-world Networks and hypergraphs for superior interaction modeling and prediction accuracy. This integration enables the capture of both local and extended vehicle interactions, while the Neuromodulator component adapts dynamically to changing traffic conditions. We validate the NEST model on several real-world datasets, including nuScenes, MoCAD, and HighD. The results consistently demonstrate that NEST outperforms existing methods in various traffic scenarios, showcasing its exceptional generalization capability, efficiency, and temporal foresight. Our comprehensive evaluation illustrates that NEST significantly improves the reliability and operational efficiency of autonomous driving systems, making it a robust solution for trajectory prediction in complex traffic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google