HyperAIHyperAI

Command Palette

Search for a command to run...

تعلم تمثيل السيناريو الديناميكي للتنبؤ بالحركة باستخدام شبكات تكرارية متعددة المكونات ذات ت convolution الرسومية المتجانسة

Xing Gao Xiaogang Jia Yikang Li Hongkai Xiong

الملخص

نظرًا للتفاعلات المعقدة والتغيرية في السيناريوهات الديناميكية، يُعد تنبؤ الحركة مشكلة صعبة في القيادة الذاتية. تعتمد معظم الدراسات الحالية على الرسوم البيانية الثابتة للطرق لتمثيل السيناريوهات، وتكون محدودة في نمذجة الاعتماديات الفضائية الزمنية المتغيرة في السيناريوهات الديناميكية. في هذا البحث، نلجأ إلى استخدام الرسوم البيانية المتجانسة الديناميكية لتمثيل السيناريو. حيث يتم ترميز مكونات السيناريو المختلفة، بما في ذلك المركبات (العوامل) والطرق، والتفاعلات متعددة الأنواع، والتغيرات التي تطرأ عليها مع الزمن، بشكل موحد. علاوةً على ذلك، قمنا بتصميم شبكة جديدة من نوع الت convolution المتجانس على الرسوم البيانية المتكررة، تجمع بين معلومات التفاعل المتنوعة وتمكّن من التقاط تطورها، بهدف تعلّم استغلال الاعتماديات الفضائية الزمنية الداخلية في الرسوم البيانية الديناميكية والحصول على تمثيلات فعّالة للسيناريوهات الديناميكية. وأخيرًا، وباستخدام فك تشفير تنبؤ الحركة، تُقدّم نماذجنا تنبؤات بمسارات مستقبلية واقعية ومتعددة النماذج للعوامل، وتتفوّق على أحدث الدراسات المنشورة في عدة معايير لتنبؤ الحركة.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp
تعلم تمثيل السيناريو الديناميكي للتنبؤ بالحركة باستخدام شبكات تكرارية متعددة المكونات ذات ت convolution الرسومية المتجانسة | مستندات | HyperAI