Social-STGCNN: شبكة عصبية تلافيفية رياضية زمنية اجتماعية للتنبؤ بالمسارات البشرية

يُمكّن فهم أفضل للسلوك البشري من قبل الآلات من تحقيق تقدم أسرع في نمذجة التفاعلات بين الوكلاء، مثل المركبات الذاتية القيادة والبشر. ف trajectories للسائقيين ليس فقط تتأثر بسلوك السائق نفسه، بل أيضًا بالتفاعل مع الأجسام المحيطة به. وقد نمذجت الطرق السابقة هذه التفاعلات باستخدام مجموعة متنوعة من طرق التجميع التي تدمج حالات السائقين المُدرَّبة المختلفة. نقترح نموذجًا يُسمى الشبكة العصبية التلافيفية الرسومية الزمانية-المكانية الاجتماعية (Social-STGCNN)، الذي يُحلّ محل الحاجة إلى طرق التجميع من خلال نمذجة التفاعلات كرسم بياني. تُظهر نتائجنا تحسنًا بنسبة 20% مقارنة بالحالة الحالية على مقياس الخطأ في الوضع النهائي (FDE)، كما تُظهر تحسنًا في مقياس الخطأ المتوسط في الوضع (ADE) مع استخدام عدد من المعلمات أقل بـ 8.5 مرة، وسرعة استنتاج أسرع بـ 48 مرة مقارنة بالطرق السابقة. بالإضافة إلى ذلك، فإن نموذجنا يُظهر كفاءة عالية في استخدام البيانات، ويتفوق على الحالة الحالية في مقياس ADE باستخدام فقط 20% من بيانات التدريب. ونُقترح دالة نواة (kernel function) لدمج التفاعلات الاجتماعية بين السائقين داخل مصفوفة الاتصال (adjacency matrix). ومن خلال التحليل النوعي، نُظهر أن نموذجنا يُحَوِّل سلوكيات اجتماعية متوقعة بين مسارات السائقين. يُمكن الوصول إلى الكود عبر الرابط: https://github.com/abduallahmohamed/Social-STGCNN.