SCENE: Reasoning über Verkehrszenen mithilfe heterogener Graph Neural Networks

Die Erfassung von Verkehrsszenen erfordert die Berücksichtigung heterogener Informationen über dynamische Agenten sowie die statische Infrastruktur. In dieser Arbeit präsentieren wir SCENE, eine Methode zur Kodierung vielfältiger Verkehrsszenen mittels heterogener Graphen sowie zur Schlussfolgerung über diese Graphen mithilfe eines heterogenen Graph Neural Network-Encoders und aufgabe-spezifischer Decoders. Die heterogenen Graphen, deren Struktur durch eine Ontologie definiert ist, bestehen aus unterschiedlichen Knotentypen mit typenspezifischen Knotenmerkmalen sowie aus verschiedenen Relationen mit typenspezifischen Kantenmerkmalen. Um sämtliche durch diese Graphen gegebenen Informationen optimal auszunutzen, schlagen wir die Verwendung von geschachtelten Schichten der Graphenfaltung vor. Das Ergebnis ist eine kompakte Kodierung der Szene. Aufgabe-spezifische Decoders können anschließend eingesetzt werden, um gewünschte Eigenschaften der Szene vorherzusagen. Ausführliche Evaluationen auf zwei unterschiedlichen binären Knotenklassifizierungsaufgaben belegen die zentrale Stärke dieser Methode: Trotz ihrer Allgemeingültigkeit übertrifft sie selbst spezifische Baselines für die jeweilige Aufgabe. Die weitere Anwendung unserer Methode auf die Aufgabe der Knotenklassifizierung in verschiedenen Wissensgraphen zeigt zudem ihre Übertragbarkeit auf andere Domänen.