使用以自我为中心的视觉以目标为导向的注意力网络进行社会意识轨迹预测

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器人技术 机器人技术 机器人技术

背景情况:

• 自动驾驶系统需要准确预测道路使用者的行为.
• 现有的轨迹预测模型往往无法整合社会互动和目的地意识.
• 处理均质和异质的道路使用者是一个重大挑战.

研究的目的:

• 为各种各样的道路使用者开发一个统一的多式联运预测框架.
• 将社会互动,时间动态,目的地和不确定性整合到一个单一的模型中.
• 为了提高未来轨迹预测的准确性和稳定性.

主要方法:

• 一个新的社会目标注意力网络 (SGANet) 模型,使用基于视觉的多堆叠神经网络.
• 集成图表注意力网络 (GAT) 用于社交互动,LSTM 用于时间动态,GDF 用于目标,CVAE 用于轨迹生成.
• 使用多头注意力 (MHA) 和前网络 (FFN) 来进行精细的预测.

主要成果:

• 在同质 (JAAD,PIE) 和异质 (TITAN) 数据集上,SGANet的表现始终超过了之前的基准.
• 证明了社会意识互动权重在预测自我车辆机动中的关键作用.
• 验证了个别网络组件的有效性和多堆集成的好处.

结论:

• 拟议的SGANet模型在多式联运轨迹预测方面取得了重大进展.
• 整合社会背景和以目标为导向的预测导致更准确的预测.
• 该框架适应同质和异质道路使用者的能力是其关键优势.