Prévision de la trajectoire et du comportement des agents routiers à l’aide du clustering spectral dans les Graph-LSTM

Nous présentons une nouvelle approche pour la prévision du trafic dans des scénarios urbains, fondée sur une combinaison d’analyse spectrale des graphes et d’apprentissage profond. Nous prédisons à la fois les informations de bas niveau (trajectoires futures) et les informations de haut niveau (comportements agents-routes) à partir des trajectoires extraites de chaque agent routier. Notre formulation modélise la proximité entre les agents routiers à l’aide d’un graphe de trafic dynamique pondéré. Nous utilisons un réseau de type LSTM à deux flux basé sur la convolution de graphe pour effectuer la prévision du trafic à partir de ces graphes pondérés. Le premier flux prédit les coordonnées spatiales des agents routiers, tandis que le second prédit si un agent va adopter un comportement agressif, conservateur ou normal. Nous introduisons une régularisation par cluster spectral afin de réduire la marge d’erreur dans les prévisions à long terme (3 à 5 secondes) et d’améliorer la précision des trajectoires prédites. Nous évaluons notre approche sur les jeux de données Argoverse, Lyft et Apolloscape, et mettons en évidence ses avantages par rapport aux méthodes antérieures de prévision de trajectoires. En pratique, notre méthode réduit l’erreur moyenne de prévision de plus de 54 % par rapport aux algorithmes existants et atteint une précision moyenne pondérée de 91,2 % pour la prédiction de comportement.