論文の概要: Geometric Deep Learning for Autonomous Driving: Unlocking the Power of
Graph Neural Networks With CommonRoad-Geometric
- arxiv url: http://arxiv.org/abs/2302.01259v2
- Date: Mon, 24 Apr 2023 08:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 21:07:14.388025
- Title: Geometric Deep Learning for Autonomous Driving: Unlocking the Power of
Graph Neural Networks With CommonRoad-Geometric
- Title（参考訳）: 自動運転のための幾何学的ディープラーニング - CommonRoad-Geometricでグラフニューラルネットワークのパワーを解き放つ
- Authors: Eivind Meyer, Maurice Brenner, Bowen Zhang, Max Schickert, Bilal
Musani, and Matthias Althoff
- Abstract要約: 不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。
グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。
提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
- 参考スコア（独自算出の注目度）: 6.638385593789309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneous graphs offer powerful data representations for traffic, given
their ability to model the complex interaction effects among a varying number
of traffic participants and the underlying road infrastructure. With the recent
advent of graph neural networks (GNNs) as the accompanying deep learning
framework, the graph structure can be efficiently leveraged for various machine
learning applications such as trajectory prediction. As a first of its kind,
our proposed Python framework offers an easy-to-use and fully customizable data
processing pipeline to extract standardized graph datasets from traffic
scenarios. Providing a platform for GNN-based autonomous driving research, it
improves comparability between approaches and allows researchers to focus on
model implementation instead of dataset curation.
- Abstract（参考訳）: ヘテロジニアスグラフは、さまざまなトラフィック参加者と基盤となる道路インフラストラクチャ間の複雑なインタラクション効果をモデル化できるため、トラフィックに対して強力なデータ表現を提供する。
ディープラーニングフレームワークとしてグラフニューラルネットワーク(gnns)が最近登場し、グラフ構造を軌道予測などのさまざまな機械学習アプリケーションで効率的に活用できるようになった。
最初に提案したPythonフレームワークは、トラフィックシナリオから標準化されたグラフデータセットを抽出する、使いやすく、完全にカスタマイズ可能なデータ処理パイプラインを提供する。
GNNベースの自動運転研究のためのプラットフォームを提供することで、アプローチ間の互換性を改善し、研究者はデータセットキュレーションではなくモデル実装に集中することができる。
関連論文リスト
- High-Order Evolving Graphs for Enhanced Representation of Traffic Dynamics [4.856478623606766]
本稿では,自律運転における表現性の向上を目的とした,高次進化グラフを用いた交通動態解析のための革新的なフレームワークを提案する。
提案手法は,交通シーン内の複雑な相互作用をリアルタイムにモデル化する双方向の時間的二部グラフを構築する。
論文 参考訳（メタデータ） (2024-09-17T14:00:58Z) - VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。
車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文 参考訳（メタデータ） (2024-04-11T06:19:55Z) - Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。
グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。
深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文 参考訳（メタデータ） (2024-03-01T04:38:51Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet
Energy [103.74640329539389]
特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。
我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。
本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
論文 参考訳（メタデータ） (2023-05-21T08:15:55Z) - Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。
本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文 参考訳（メタデータ） (2023-05-01T00:58:48Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Unboxing the graph: Neural Relational Inference for Mobility Prediction [15.4049962498675]
グラフネットワーク(GNN)は、非ユークリッド空間データに広く応用されている。
本稿では,最適グラフモデルを動的に学習するニューラル推論を用いる。
論文 参考訳（メタデータ） (2022-01-25T13:26:35Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。