Pishgu: Universal Path Prediction Network Architecture for Real-time Cyber-physical Edge Systems

Die Pfadvorhersage ist eine zentrale Aufgabe für zahlreiche Anwendungen in cyber-physikalischen Systemen (CPS), wie beispielsweise autonomes Fahren, Verkehrsüberwachung und -steuerung sowie die Sicherheit von Fußgängern und Arbeitnehmern. Diese realweltbasierten CPS-Anwendungen erfordern eine robuste, leichte Pfadvorhersage, die eine universelle Netzarchitektur für mehrere Objekte (z. B. Fußgänger und Fahrzeuge) aus unterschiedlichen Perspektiven bereitstellt. Derzeit sind jedoch die meisten bestehenden Algorithmen speziell auf ein einzelnes Objekt, eine bestimmte Kamera-Perspektive und ein spezifisches Szenario zugeschnitten. In diesem Artikel stellen wir Pishgu vor – eine universelle, leichte Netzarchitektur, die als robuste und ganzheitliche Lösung für die Pfadvorhersage dient. Die Architektur von Pishgu ist in der Lage, sich an verschiedene Pfadvorhersagedomänen mit unterschiedlichen Objekten (Fahrzeuge, Fußgänger), Perspektiven (Vogelperspektive, Hochwinkel) und Szenarien (Gehweg, Autobahn) anzupassen. Unser vorgeschlagene Architektur nutzt Graph-Isomorphie-Netzwerke und Aufmerksamkeitsmodule, um die inneren Abhängigkeiten zwischen den Objekten innerhalb jedes Frames zu erfassen. Wir trainieren und evaluieren die Wirksamkeit unserer Architektur separat auf drei unterschiedlichen CPS-Domänen über mehrere Perspektiven hinweg (Fahrzeug-Vogelperspektive, Fußgänger-Vogelperspektive und Mensch-Hochwinkel-Perspektive). Pishgu übertrifft die derzeitigen State-of-the-Art-Lösungen in der Domäne Fahrzeug-Vogelperspektive um 42 % und 61 % bezüglich ADE und FDE und in der Domäne Fußgänger-Hochwinkel-Perspektive um 23 % und 22 % bezüglich ADE und FDE. Zudem analysieren wir detailliert die datenspezifischen Eigenschaften verschiedener Datensätze, um deren Einfluss auf die Pfadvorhersage und die Interpretierbarkeit des Modells besser zu verstehen. Schließlich berichten wir über Latenz und Durchsatz für alle drei Domänen auf mehreren eingebetteten Plattformen, wodurch die Robustheit und Anpassungsfähigkeit von Pishgu für die reale Integration in CPS-Anwendungen unter Beweis gestellt wird.