Das GRANP-Modell besteht aus einem Encoder mit deterministischem und latentem Pfad sowie einem Decoder zur Vorhersage. Der Encoder verwendet gestapelte Graph-Attention-Netzwerke, LSTM und 1D-Convolutional-Layer, um räumlich-zeitliche Beziehungen zu erfassen. Der Decoder dient dazu, eine latente Verteilung zu erlernen und so die Vorhersageunsicherheit zu quantifizieren.
Die Evaluierung auf dem highD-Datensatz zeigt, dass GRANP den Stand der Technik übertrifft und die Unsicherheiten effizient quantifizieren kann. Eine Fallstudie veranschaulicht die Interpretierbarkeit des Ansatzes, indem die Aufmerksamkeitsgewichte visualisiert werden, die die sozialen Interaktionen zwischen Fahrzeugen erfassen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Yuhao Luo,Ke... at arxiv.org 04-15-2024
https://arxiv.org/pdf/2404.08004.pdfDeeper Inquiries