Динамическое графовое моделирование для многоагентного предсказания траектории движения
https://doi.org/10.35596/1729-7648-2025-23-4-109-117
Аннотация
Точное прогнозирование траектории движения нескольких агентов является важнейшей задачей в таких областях, как автономное вождение, взаимодействие человека с компьютером и анализ поведения. Однако динамичность и интерактивность поведения агентов создают значительные проблемы, поскольку требуют формирования сложных пространственно-временных зависимостей и динамичес ки развивающегося взаимодействия между агентами. Предлагается новый подход для моделирования динамических реляционных графов, основным компонентом которых является блок акцента внимания с учетом относительного положения агентов на основе графов. Рассматривая объекты в сцене (например, транспортные средства и элементы дороги) как узлы графа, а их взаимодействие как ребра, предложенный подход эффективно отражает как локальные, так и глобальные зависимости на сцене и делает прогноз о будущей траектории. Представленный подход оценивается с помощью набора данных для прогнозирования траектории Argoverse1. Экспериментальные результаты показывают, что такая модель превосходит существующие методы.
Об авторах
И. Тан
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Минск
Д. Ю. Перцев
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Минск
Список литературы
1. Yurtsever E., Lambert J., Carballo A., Takeda K. (2020) A Survey of Autonomous Driving: Common Practi ces and Emerging Technologies. IEEE Access. 8, 58443–58469.
2. Wang S., Bao Z., Culpepper J. S., Cong G. (2021) A Survey on Trajectory Data Management, Analytics, and Learning. ACM Computing Surveys (CSUR). 54 (2), 1–36.
3. Singh A. (2023) Trajectory-Prediction with Vision: A Survey. In Proceedings of the IEEE/CVF International Conference on Computer Vision. 3318–3323.
4. Casas S., Luo W., Urtasun R. (2018) IntentNet: Learning to Predict Intention from Raw Sensor Data. In Proceedings of the Conference on Robot Learning. Zürich, Switzerland. 947–956.
5. Hong J., Sapp B., Philbin J. (2019) Rules of the Road: Predicting Driving Behavior with a Convolutional Mo del of Semantic Interactions. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach, CA, USA. 8454–8462.
6. Gao J., Sun C., Zhao H., Shen Y., Anguelov D., Li C., et al. (2020) VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 11525–11533.
7. Liang M., Yang B., Hu R., Chen Y., Liao R., Feng S., et al. (2020) Learning Lane Graph Representations for Motion Forecasting. In Computer Vision – ECCV 2020: 16th European Conference, Glasgow, UK, Aug. 23–28, 2020, Proceedings, Part II. Springer International Publishing. 541–556.
8. Zhou Z., Ye L., Wang J., Wu K., Lu K. (2022) HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 8823–8833.
9. Zhang L., Li P., Liu S., Shen S. (2024) SIMPL: A Simple and Efficient Multi-Agent Motion Prediction Baseline for Autonomous Driving. IEEE Robotics and Automation Letters.
10. Qi C. R., Su H., Mo K., Guibas L. J. (2017) PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 652–660.
11. Chang M.-F., Lambert J., Sangkloy P., Singh J., Bak S., Hartnett A., et al. (2019) Argoverse: 3D Tracking and Forecasting with Rich Maps. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 8748–8757.
12. Gu J., Sun C., Zhao H. (2021) DenseTNT: End-to-End Trajectory Prediction from Dense Goal Sets. In Proceedings of the IEEE/CVF International Conference on Computer Vision. 15303–15312.
13. Gilles T., Sabatini S., Tsishkou D., Stanciulescu B., Moutarde F. (2022) THOMAS: Trajectory Heatmap Output with Learned Multi-Agent Sampling. In International Conference on Learning Representations.
14. Wang M., Zhu X., Yu C., Li W., Ma Y., Jin R., et al. (2023) GANet: Goal Area Network for Motion Forecas ting. In 2023 IEEE International Conference on Robotics and Automation (ICRA). 1609–1615.
15. Ngiam J., Vasudevan V., Caine B., Zhang Z., Chiang H. T. L., Ling J., et al. (2023) Scene Transformer: A Unified Architecture for Predicting Future Trajectories of Multiple Agents. In International Conference on Learning Representations.
16. Feng C., Zhou H., Lin H., Zhang Z., Xu Z., Zhang C., et al. (2023) MacFormer: Map-Agent Coupled Transformer for Real-Time and Robust Trajectory Prediction. IEEE Robotics and Automation Letters.
Рецензия
Для цитирования:
Тан И., Перцев Д.Ю. Динамическое графовое моделирование для многоагентного предсказания траектории движения. Доклады БГУИР. 2025;23(4):109-117. https://doi.org/10.35596/1729-7648-2025-23-4-109-117
For citation:
Tang Y., Pertsau D.Yu. Dynamic Relational Graph Modeling for Multi-Agent Motion Trajectory Prediction. Doklady BGUIR. 2025;23(4):109-117. https://doi.org/10.35596/1729-7648-2025-23-4-109-117
Просмотров:
791
Послать статью по эл. почте 