本論文では、社会的力を組み込んだ混合グラフ畳み込みネットワーク(SFEM-GCN)と呼ばれる新しい多クラス軌道予測手法を提案している。SFEM-GCNは、セマンティックグラフ(SG)、位置グラフ(PG)、速度グラフ(VG)の3つのグラフトポロジーを構築し、異なるクラスの代理店間の社会的相互作用を効果的にモデル化する。
SG は、代理店クラス情報に基づいてグラフ隣接行列を構築し、セマンティック情報を表現する。PG と VG は、それぞれ位置情報と速度情報に基づいて隣接行列を作成し、代理店間の運動相互作用関係をキャプチャする。これらのグラフ構造を混合グラフに統合し、時空間グラフ畳み込みニューラルネットワーク(ST-GCNN)を用いて学習を行う。さらに、予測精度を向上させるために、時間畳み込みネットワーク(TCN)を採用して、パラメータ数の少ない予測軌道を生成する。
公開データセットSSDを用いた実験結果から、SFEM-GCNが精度と頑健性の両面で最先端の手法を上回ることが示された。特に、最近提案された多クラス軌道予測手法であるSemantics-STGCNNと比較して、mADEで約3%、mFDEで約4%の改善が確認された。さらに、最新の評価指標であるaADEとaFDEでは、それぞれ約8%と13%の性能向上が得られた。
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