Scene-Centric Vehicle Trajectory Prediction at Cooperative Intersection Using Decision-Aware Attention Graph Transformer
Notice bibliographique
Résumé
Roadside sensors offer a fixed, unobstructed vantage point that can overcome line-of-sight limitations in autonomous driving environments by sharing critical perception data with nearby road agents. While this cooperative approach enhances situational awareness, it also introduces significant computational and communication overhead for autonomous vehicles (AVs). To address this challenge, we propose the Heterogeneous Decision-Aware Attention Graph Transformer (HDAAGT)—a non-autoregressive, encoder-only transformer architecture designed for real-time vehicle trajectory prediction. HDAAGT processes detection data from roadside infrastructure to forecast future vehicle trajectories and communicates these predictions to surrounding agents. By offloading intensive computations from AVs and minimizing transmission latency, our approach improves responsiveness and enables more efficient cooperative perception at intersections and other complex driving scenarios. HDAAGT integrates lane positioning, traffic light states, and vehicle kinematics, enabling a decision-aware graph attention mechanism that models agent-agent and agent-environment interactions. By leveraging a fisheye-based detection and tracking pipeline, our approach eliminates the need for multiple cameras and enables HDAAGT to generate reliable trajectory predictions across the full intersection. We validate our model on the Fisheye-MARC and SinD datasets, demonstrating the capability of HDAAGT in predicting vehicle motion in complex urban intersections with a 1.28 m final displacement error. Additionally, we introduce a new 31k-frame fisheye intersection dataset, the largest of its kind in object tracking, to advance research in intersection-based trajectory prediction.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».