arXiv:2106.02930

Spectral Temporal Graph Neural Network for Trajectory Prediction

Defu Cao, Jiachen Li, Hengbo Ma, Masayoshi Tomizuka

제출 2021-06-05

원문 초록

An effective understanding of the contextual environment and accurate motion forecasting of surrounding agents is crucial for the development of autonomous vehicles and social mobile robots. This task is challenging since the behavior of an autonomous agent is not only affected by its own intention, but also by the static environment and surrounding dynamically interacting agents. Previous works focused on utilizing the spatial and temporal information in time domain while not sufficiently taking advantage of the cues in frequency domain. To this end, we propose a Spectral Temporal Graph Neural Network (SpecTGNN), which can capture inter-agent correlations and temporal dependency simultaneously in frequency domain in addition to time domain. SpecTGNN operates on both an agent graph with dynamic state information and an environment graph with the features extracted from context images in two streams. The model integrates graph Fourier transform, spectral graph convolution and temporal gated convolution to encode history information and forecast future trajectories. Moreover, we incorporate a multi-head spatio-temporal attention mechanism to mitigate the effect of error propagation in a long time horizon. We demonstrate the performance of SpecTGNN on two public trajectory prediction benchmark datasets, which achieves state-of-the-art performance in terms of prediction accuracy.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22875v1cs.LG공통 태그 Prediction, Graph Neural Network

Graph Attention Network를 이용한 토양 미세플astics 및 유기물의 공간 예측

Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks

토양 미세플astics 및 유기물의 정확한 추정은 생태계 건강을 평가하고 지속 가능한 토지 이용을 지원하는 데 필수적이다. 본 연구는 91개의 지리좌표가 부여된 토양 시료 간 공간적 의존성을 모델링하기 위해 Graph Attention Networks(GAT)를 사용하는 그래프 기반 심층 학습 접근법을 제시한다. 공간 좌표, 토양 특성, 토지 이용 데이터를 통합하여 지역적 상호작용을 포착하는 2층 GAT 아키텍처를 개발하였다. 최종 모델은 우수한 성능을 보였으며, 미세플astics에 대해 RMSE 625.06($R^2 = 0.87$), 유기물에 대해 0.43($R^2 = 0.91$)을 달성하였다. 그러나 교차 검증 결과 일반화 성능이 제한적임이 드러났으며, 이는 아마도 작은 표본 크기와 희소한 그래프 구조 때문인 것으로 보인다. 이러한 결과는 공간적 토양 예측에서 GAT의 잠재력을 보여주며, 밀집된 데이터셋과 개선된 그래프 연결성의 필요성을 강조한다.

arXiv:2607.20505v1cs.RO공통 태그 Prediction, Graph Neural Network

HERMES: 신호 교차로에서의 교통 충돌 예측을 위한 이질적 엣지-관계 다중 헤드 임베디드 SSM 어텐션

HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections

대리 안전 지표(SSM, surrogate safety measures)는 사전적 교통 안전 평가를 가능하게 하지만, 기존 방법의 다수는 쌍방(pairwise) 상호작용을 독립적으로 평가하거나 다중 에이전트 장면을 고정된 특징 벡터로 평탄화하여, 이질적 상호작용 구조와 변화하는 장면 수준 위험을 표현하는 능력을 제한한다. 본 연구는 교통 충돌 평가를 시간적 이질적 장면 그래프(scene-graph) 분류로 공식화하고, SSM 기반 다중 헤드 어텐션을 갖춘 이질적 엣지-관계 그래프 신경망인 HERMES를 제안한다. 차량과 보행자는 이질적 노드로 표현되고, 차량-차량, 차량-보행자, 보행자-보행자 상호작용은 연속적인 운동학적 및 대리 안전 특징(descriptors)을 갖는 관계별 엣지로 인코딩된다. 관계별 어텐션, 동적 노드-엣지 업데이트, 안전 인식 그래프 풀링, 시간적 시퀀스 학습을 함께 사용하여 장면 수준 충돌 확률을 추정한다. HERMES는 신호가 있는 도시 교차로에서 궤적 기반으로 수집한 109,028개 시퀀스로 평가되었고, 독립적으로 수집한 유사 교차로 데이터셋에서 검증되었다. 강화된 HERMES는 AUC-ROC 0.9898 +/- 0.0013, AUC-PR 0.9412 +/- 0.0067, F1 점수 0.8449 +/- 0.0103을 달성했다. 5% 오경보율에서 충돌 시퀀스의 95.7%를 탐지하여, 가장 강력한 트랜스포머 기준선과 XGBoost를 능가했다. 제로샷(zero-shot) 외부 평가에서 HERMES는 AUC-ROC 0.9752, AUC-PR 0.7829를 달성했다. 공동 소스-타깃 학습은 제한된 타깃 현장 데이터에서도 타깃 현장 성능을 추가로 개선했다. 이러한 결과는 이질적 상호작용 위상, 안전 정보를 반영한 엣지 의미론, 단기 시간적 진화를 보존하는 것이 장면 수준 충돌 분류를 향상시키고 신호 교차로에서 전이 가능한 도로변 안전 모니터링을 지원함을 보여준다.

arXiv:2607.20554v1cs.AI공통 태그 Autonomous Vehicles, Graph Neural Network

Learning-to-Optimize 그래프 신경망을 통한 스마트 도시 NR-V2X 네트워크 AI 기반 다중 홉 릴레이 선택

AI-Driven Multi-Hop Relay Selection for Smart Urban NR-V2X Networks via Learning-to-Optimize Graph Neural Networks

밀집된 도시 환경에서 스마트 모빌리티를 위해 신뢰성 높고 저지연 NR-V2X 통신이 필수적이다. 그러나 제한된 도로변 유닛(RSU) 밀도, 빈번한 비시선(non-line-of-sight) 조건, 그리고 고도로 동적인 차량 토폴로지로 인해 많은 연결·자율주행 차량(CAV)이 안정적인 단일 홉 연결을 유지하지 못하는 경우가 많다. 다중 홉 릴레이 보조 통신이 인프라 커버리지를 확장할 수 있지만, 실질적인 흐름(flow), 용량, 연결성 제약 하에서 릴레이 링크를 실시간으로 선택하는 것은 여전히 어렵다. 혼합 정수 선형 계획(MILP)은 최적의 다중 홉 릴레이 결정을 제공하지만, 계산 복잡도가 네트워크 밀도에 따라 급격히 증가하여 실시간 적용이 제한된다. 이를 해결하기 위해, 실시간 NR-V2X 릴레이 선택을 위한 그래프 신경망(GNN) 기반 Learning-to-Optimise(L2O) 프레임워크를 제안한다. 차량 통신 상태를 속성 그래프(attributed graph)로 모델링하며, CAV와 RSU를 노드로, 후보 무선 링크에는 전파 인식(propagation-aware) 특성을 부여한다. 오프라인 MILP 오라클이 최적의 지도(supervision)를 제공하고, 엣지 인식(edge-aware) Graph Isomorphism Network(GINE)가 오라클 결정을 거의 일정한 추론 지연으로 근사한다. 통합 SUMO--GEMV2 시뮬레이션 파이프라인으로 생성된 대규모 도시 데이터셋에 대한 실험 결과, 제안 방법은 MILP 오라클과 유사한 연결성을 달성하면서 실행 시간을 수 자릿수만큼 단축한다. 이 프레임워크는 기존 차량 자산을 활용하고 스마트 시티 환경에서 확장 가능한 실시간 NR-V2X 운용을 지원함으로써, 도시 V2X 연결성을 비용 효율적으로 향상시킨다.

arXiv:2607.14176v1cs.LG공통 태그 Autonomous Vehicles, Graph Neural Network

엣지 특징 Graph Isomorphism Network를 이용한 NR-V2X 차량 통신의 저지연 릴레이 선택

Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features

밀집된 도시 환경에서 C-V2X 네트워크의 핵심 요구사항은 신뢰할 수 있는 저지연 상향링크 연결성이며, 이러한 환경에서는 빠른 채널 변화와 차폐로 인해 차량-인프라 직접 링크가 자주 저하된다. 다중 홉 릴레이를 통해 커버리지를 복구할 수 있지만, 무선, 용량, 라우팅 제약 하에서의 릴레이 링크 활성화는 NP-hard 최적화 문제가 되며, 일반적으로 혼합 정수 선형 계획(MILP)으로 풀지만 그래프 크기에 따라 실행 시간이 급격히 증가한다. 본 논문은 실시간 릴레이 선택을 위한 엣지 인식 Learning-to-Optimise 프레임워크를 제안한다. 각 V2X 스냅샷은 방향 그래프로 모델링되며, 노드 특징은 차량 상태와 트래픽 수요를 인코딩하고, 엣지 특징은 무선 링크 용량을 포착한다. 오프라인 MILP 오라클이 최적 릴레이 구성을 생성하여 엣지 특징 Graph Isomorphism Network(GINE)을 지도 학습하고, 단일 순전파로 엣지 수준 릴레이 활성화를 가능하게 하며, 추론 지연을 엄격하게 제한한다. 학습과 정확한 최적화를 연결하기 위해, GINE 예측이 MILP 탐색 공간을 가지치기하는 하이브리드 GINE-Pruned MILP(GP-MILP) 전략도 제안한다. OSM-SUMO-GEMV$^2$ 파이프라인으로 생성된 대규모 데이터셋 실험에서 GINE은 링크 수준에서 MILP 결정과 밀접하게 일치(정확도 0.9589, 검증 F1-score 0.9544)하며, 1-hop MILP 기준선 대비 일관된 end-to-end 연결성 향상을 보여준다(RSU 4개일 때 최대 9.2%, RSU 2개일 때 12%). 추론 지연은 엄격하게 제한되며, 평가된 모든 인스턴스가 5~ms 이내에 완료된다. 또한 GP-MILP는 MILP 동등 솔루션(동일 목적 함수값)을 보존하면서 그래프 인스턴스의 98% 이상에서 30~ms 미만의 솔버 실행 시간을 달성하여, MILP 수준 최적화를 엄격한 NR-V2X 지연 예산과 호환되게 한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.