Vehicle Trajectory Prediction in Highway Merging Area Using Interactive Graph Attention Mechanism
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Accurately predicting the future trajectories of surrounding traffic agents is important for ensuring the safety of autonomous vehicles. To address the scenario of frequent interactions among traffic agents in the highway merging area, this paper proposes a trajectory prediction method based on interactive graph attention mechanism. Our approach integrates an interactive graph model to capture the complex interactions among traffic agents as well as the interactions between these agents and the contextual map of the highway merging area. By leveraging this interactive graph model, we establish an agent-agent interactive graph and an agent-map interactive graph. Moreover, we employ Graph Attention Network (GAT) to extract spatial interactions among trajectories, enhancing our predictions. To capture temporal dependencies within trajectories, we employ a Transformer-based multi-head self-attention mechanism. Additionally, GAT are utilized to model the interactions between traffic agents and the map. The method we propose comprehensively incorporates the influences of time, space, and the map on trajectories. The interactive graph models can serve as effective prior knowledge for learning-based approaches, thereby enhancing the acquisition of interaction patterns among traffic scenarios and facilitating the interpretability of the method. We evaluate the performances of our method using real-world trajectory datasets from the highway merging area, i.e., the Exits and Entries Drone Dataset (<i>exiD</i>). Comparative analysis against classical algorithms demonstrates a reduced trajectory prediction error for prediction horizons of both 3s and 4s.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».