Apprentissage de représentation de scénarios dynamiques pour la prévision du mouvement avec des réseaux récurrents à convolution de graphe hétérogènes

En raison des interactions complexes et évolutives présentes dans les scénarios dynamiques, la prédiction du mouvement constitue un problème difficile dans le domaine du pilotage automatisé. La plupart des travaux existants s'appuient sur des graphes routiers statiques pour caractériser les scénarios, ce qui limite leur capacité à modéliser les dépendances spatio-temporelles évoluant dans le temps dans ces contextes dynamiques. Dans cet article, nous proposons d'utiliser des graphes hétérogènes dynamiques pour modéliser le scénario. Nous codons conjointement divers composants du scénario — tels que les véhicules (agents) et les voies, les interactions de plusieurs types, ainsi que leurs évolutions temporelles. En outre, nous concevons un nouveau réseau récurrent à convolution de graphe hétérogène, capable d'agréger diverses informations d'interaction et de capturer leur évolution, afin d'apprendre à exploiter les dépendances spatio-temporelles intrinsèques dans les graphes dynamiques et d'obtenir des représentations efficaces des scénarios dynamiques. Enfin, grâce à un décodeur de prédiction du mouvement, notre modèle permet de prévoir des trajectoires futures réalistes et multi-modales des agents, et surpasse les méthodes les plus avancées publiées sur plusieurs benchmarks de prédiction du mouvement.