이 논문은 다중 클래스 트래젝토리 예측을 위한 새로운 방법인 SFEM-GCN을 제안한다. SFEM-GCN은 세 가지 그래프 토폴로지(semantic graph, position graph, velocity graph)를 구축하여 다양한 클래스의 교통 참여자들 간의 소셜 포스 관계를 효과적으로 모델링한다.
semantic graph는 에이전트 클래스 정보를 활용하여 그래프 인접 행렬을 구성한다. position graph와 velocity graph는 각각 에이전트의 위치 정보와 속도 정보를 활용하여 인접 행렬을 생성한다. 이렇게 구축된 혼합 그래프 구조는 공간-시간 그래프 합성곱 신경망(ST-GCNN)을 통해 학습되며, 최종적으로 시간 합성곱 신경망(TCN)을 사용하여 다중 클래스 에이전트의 미래 트래젝토리를 예측한다.
실험 결과, SFEM-GCN은 기존 최신 방법들에 비해 정확도와 강건성 측면에서 우수한 성능을 보였다. 특히 최신 방법인 Semantics-STGCNN 대비 mADE와 mFDE 지표에서 각각 약 3%와 4% 향상된 성능을 보였으며, aADE와 aFDE 지표에서는 각각 약 8%와 13% 향상된 성능을 보였다. 또한 모델 크기와 추론 속도 측면에서도 개선된 결과를 보였다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Quancheng Du... at arxiv.org 04-23-2024
https://arxiv.org/pdf/2404.13378.pdfDeeper Inquiries