グラフ-LSTMにおけるスペクトルクラスタリングを用いた道路エージェントの軌道および行動予測

都市交通環境における交通予測のための新しいアプローチを提示する。本手法は、スペクトルグラフ解析と深層学習を組み合わせたものであり、各道路エージェントの抽出された軌跡から、低レベル情報（将来の軌道）および高レベル情報（道路エージェントの行動）の両方を予測する。我々の定式化では、動的重み付き交通グラフを用いて道路エージェント間の近接性を表現する。この重み付き交通グラフを用いて、二重ストリームのグラフ畳み込みLSTMネットワークを構築し、交通予測を実行する。第一のストリームは道路エージェントの空間座標を予測し、第二のストリームはそのエージェントが攻撃的、慎重、または通常の行動を示すかを予測する。長期予測（3～5秒）における誤差を低減し、予測軌道の精度を向上させるために、スペクトルクラスタ正則化を導入している。本手法は、Argoverse、Lyft、Apolloscapeの各データセット上で評価され、従来の軌道予測手法と比較して優れた性能を示した。実用面では、本手法は従来のアルゴリズムと比較して平均予測誤差を54％以上低減し、行動予測の重み付き平均精度を91.2％まで達成している。