Prognose von Trajektorie und Verhalten von Straßen-Agenten mittels Spektraler Clustering in Graph-LSTMs

Wir präsentieren einen neuartigen Ansatz zur Verkehrsprognose in städtischen Verkehrsszenarien, der eine Kombination aus spektraler Graphenanalyse und Deep Learning nutzt. Wir prognostizieren sowohl niedrigstufige Informationen (zukünftige Trajektorien) als auch hochstufige Informationen (Verkehrsverhalten von Straßenakteuren) basierend auf den extrahierten Trajektorien jedes Straßenakteurs. Unsere Formulierung stellt die Nähe zwischen den Straßenakteuren mittels eines dynamisch gewichteten Verkehrsgraphen dar. Wir verwenden ein zweistrahliges Graphen-Convolutional LSTM-Netzwerk zur Verkehrsprognose unter Verwendung dieser gewichteten Verkehrsgraphen. Der erste Strahl prognostiziert die räumlichen Koordinaten der Straßenakteure, während der zweite Strahl vorhersagt, ob ein Straßenakteur aggressives, konservatives oder normales Verhalten zeigen wird. Wir führen eine spektrale Cluster-Regularisierung ein, um den Fehlerbereich bei langfristigen Vorhersagen (3–5 Sekunden) zu verringern und die Genauigkeit der prognostizierten Trajektorien zu verbessern. Wir evaluieren unseren Ansatz anhand der Datensätze Argoverse, Lyft und Apolloscape und verdeutlichen die Vorteile gegenüber vorherigen Trajektorienprognosemethoden. In der Praxis reduziert unser Ansatz den durchschnittlichen Vorhersagefehler gegenüber früheren Algorithmen um mehr als 54 % und erreicht eine gewichtete Durchschnittsgenauigkeit von 91,2 % bei der Verhaltensprognose.