论文地址：https://arxiv.org/pdf/2207.10398.pdf

开源代码：https://github.com/vtp-tl/d2-tpred

摘要

深入理解智能体之间的关系和运动行为对于在复杂场景中实现高质量的导航规划非常重要，尤其是在城市交通路口。提出了一种交通信号灯轨迹预测方法D2-TPred,该方法利用空间动态交互图(SDG)和行为依赖图(BDG)来处理时空空间中的不连续依赖问题。具体而言，SDG通过在每一帧中为具有动态变化特性的不同Agent重构子图来捕捉空间交互。BDG通过建模当前状态对先验行为的隐依赖性来推断运动趋势，特别是与加速、减速或转向方向相对应的不连续运动。此外，我们提出了一个新的交通灯下车辆轨迹预测数据集VTP-TL。实验结果表明，与其它弹道预测算法相比，该模型在ADE和FDE方面分别提高了20.45%和20.78%以上。

主要贡献

我们工作的新颖组成部分包括：

  • 我们提出了一种新的轨迹预测方法D2-TPred，它考虑了交通灯和交叉口附近车辆轨迹的各种不连续性和成对相互作用。
  • 我们提出了两种数据结构来提高基于图形的网络的性能，以建模动态交互和车辆行为。SDG通过为每个帧中邻居不断变化的动态Agent重构适当的子图来建模空间交互。BDG用于建模动态变化的行为，当前状态对以前行为的依赖关系。SDG和BDG的应用使ADE和FDE的预测精度分别提高了22.45%和29.39%。
  • 我们提出了一个新的数据集VTP-TL，它对应于交通信号灯附近的交通视频数据和交互式交通视频数据。这包括150分钟的30fps视频剪辑，对应于具有挑战性的城市场景。他们被无人机在交通路口上方70-120米处捕捉到。

实验

在我们的实验中，嵌入层和隐藏状态的维数分别设置为16和32。我们还将固定输入维度设置为64，并使用64的关注层。在训练过程中，Adam优化器的学习率为0.01，批容量为64。

内容中包含的图片若涉及版权问题，请及时与我们联系删除