論文の概要: Prediction and Interpretation of Vehicle Trajectories in the Graph Spectral Domain

• arxiv url: http://arxiv.org/abs/2309.16702v1
• Date: Wed, 16 Aug 2023 09:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 05:45:27.532511
• Title: Prediction and Interpretation of Vehicle Trajectories in the Graph Spectral Domain
• Title（参考訳）: グラフスペクトル領域における車両軌道の予測と解釈
• Authors: Marion Neumeier, Sebastian Dorn, Michael Botsch, Wolfgang Utschick
• Abstract要約: この研究は、グラフスペクトル領域における車両軌跡を予測するディープラーニングネットワークであるGFTNNv2を紹介する。 GFTNNv2の評価は、公開データセットであるHighDとNGSIMで、最先端の予測アプローチと比較して25%のパフォーマンス向上を示している。
• 参考スコア（独自算出の注目度）: 12.353539485936988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work provides a comprehensive analysis and interpretation of the graph spectral representation of traffic scenarios. Based on a spatio-temporal vehicle interaction graph, an observed traffic scenario can be transformed into the graph spectral domain by means of the multidimensional Graph Fourier Transformation. Since these spectral scenario representations have shown to successfully incorporate the complex and interactive nature of traffic scenarios, the beneficial feature representation is employed for the purpose of predicting vehicle trajectories. This work introduces GFTNNv2, a deep learning network predicting vehicle trajectories in the graph spectral domain. Evaluation of the GFTNNv2 on the publicly available datasets highD and NGSIM shows a performance gain of up to 25% in comparison to state-of-the-art prediction approaches.
• Abstract（参考訳）: 本研究は,トラフィックシナリオのグラフスペクトル表現の包括的解析と解釈を提供する。 時空間的車両間相互作用グラフに基づいて、観測された交通シナリオを多次元グラフフーリエ変換を用いてグラフスペクトル領域に変換することができる。 これらのスペクトルシナリオ表現は、交通シナリオの複雑でインタラクティブな性質をうまく組み込むことが示されているので、車両軌道の予測に有用な特徴表現が用いられる。 GFTNNv2は、グラフスペクトル領域における車両軌跡を予測するディープラーニングネットワークである。 GFTNNv2の評価は、公開データセットであるHighDとNGSIMで、最先端の予測アプローチと比較して25%のパフォーマンス向上を示している。

関連論文リスト

• SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
  自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。 本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:11:04Z)
• nuScenes Knowledge Graph -- A comprehensive semantic representation of traffic scenes for trajectory prediction [6.23221362105447]
  交通シーンにおける軌道予測は、周囲の車両の挙動を正確に予測する。 車両の走行経路、道路トポロジー、車線分割器、交通規則など、文脈情報を考慮することが重要である。 本稿では,知識グラフを用いて交通シーン内の多様なエンティティとその意味的関係をモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T10:40:34Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation [0.6650227510403052]
  高速道路交通における交通流予測を改善するために,注意に基づく動的グラフ畳み込みリカレントニューラルネットワーク(ADG-N)を提案する。 グラフ畳み込み演算のオーバーフィッティングを低減するために、高い相対ノードを強調する専用ゲートカーネルが完全なグラフ上に導入された。
  論文  参考訳（メタデータ） (2023-09-13T13:57:21Z)
• Counterfactual Graph Transformer for Traffic Flow Prediction [8.104461240718226]
  既存のトラフィックフロー予測手法では、データセットからバイアスパターンを継承する傾向があり、解釈性に欠ける。 実例レベルの説明器(重要な部分グラフを見つけるなど)を用いたグラフ変換モデルを提案する。 我々は,CGTが信頼性の高い説明を作成でき,交通流予測に期待できることを示す。
  論文  参考訳（メタデータ） (2023-08-01T09:12:08Z)
• A Multidimensional Graph Fourier Transformation Neural Network for Vehicle Trajectory Prediction [9.554569082679151]
  本研究は,高速道路における長期軌跡予測のための多次元グラフフーリエ変換ニューラルネットワーク(GFTNN)を提案する。 グラフニューラルネットワーク(GNN)と同様に、GFTNNはグラフ構造を扱う新しいアーキテクチャである。 実験と評価には、公開データセット highD と NGSIM が使用される。
  論文  参考訳（メタデータ） (2023-05-12T12:36:48Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Road Scene Graph: A Semantic Graph-Based Scene Representation Dataset for Intelligent Vehicles [72.04891523115535]
  本稿では,車載用特別シーングラフである道路シーングラフを提案する。 オブジェクトの提案だけでなく、ペアワイドな関係も提供します。 それらをトポロジカルグラフで整理することで、これらのデータは説明可能であり、完全に接続され、GCNによって容易に処理できる。
  論文  参考訳（メタデータ） (2020-11-27T07:33:11Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。