arXiv:2202.13772

Path-Aware Graph Attention for HD Maps in Motion Prediction

Fang Da, Yu Zhang

제출 2022-02-23

원문 초록

The success of motion prediction for autonomous driving relies on integration of information from the HD maps. As maps are naturally graph-structured, investigation on graph neural networks (GNNs) for encoding HD maps is burgeoning in recent years. However, unlike many other applications where GNNs have been straightforwardly deployed, HD maps are heterogeneous graphs where vertices (lanes) are connected by edges (lane-lane interaction relationships) of various nature, and most graph-based models are not designed to understand the variety of edge types which provide crucial cues for predicting how the agents would travel the lanes. To overcome this challenge, we propose Path-Aware Graph Attention, a novel attention architecture that infers the attention between two vertices by parsing the sequence of edges forming the paths that connect them. Our analysis illustrates how the proposed attention mechanism can facilitate learning in a didactic problem where existing graph networks like GCN struggle. By improving map encoding, the proposed model surpasses previous state of the art on the Argoverse Motion Forecasting dataset, and won the first place in the 2021 Argoverse Motion Forecasting Competition.

함께 살펴볼 논문

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

arXiv:2607.05705v1cs.RO공통 태그 Autonomous Driving, Motion Forecasting

IMR: 다중 에이전트 궤적 예측을 위한 반복적 모드-월드 가중 회귀

IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction

다중 에이전트 모션 예측은 자율주행 차량이 주변 차량의 의도를 파악하는 데 필수적이다. 그러나 기존의 예측 기반(prediction-based) 및 앵커 기반(anchor-based) 방법은 각각 모드 다양성과 예측 정확도 측면에서 한계를 지닌다. 이러한 한계는 자율주행 차량의 불충분한 안전성 평가와 행동 편차를 초래할 수 있다. 이 문제를 해결하기 위해, 두 특성 간의 간극을 좁히는 모드-월드 가중 회귀 손실이 제안된다. 구체적으로, 이 접근법은 모드 붕괴(mode collapse)를 완화하는 동시에 월드 랭킹과 Top-1 신뢰도를 향상시킨다. 또한, 제안된 반복적 디코더는 궤적을 순환적·분할적으로 생성함으로써 예측 정확도를 개선한다. 실험 결과, 제안된 방법은 Argoverse 2 다중 에이전트 모션 예측 벤치마크에서 다른 방법들 대비 1위를 기록하였다.

arXiv:2607.06319v1cs.CV공통 태그 Autonomous Driving, motion prediction

클래스 비지정 모션 예측을 위한 합성-실제 변환

Synthetic-to-Real Translation for Class-Agnostic Motion Prediction

모션 이해는 자율주행 시스템의 안전성과 견고성을 보장하는 데 매우 중요하며, 이에 따라 모션 예측에 대한 관심이 높아지고 있다. 이 분야의 핵심 과제 중 하나는 실세계 모션 레이블 취득에 드는 높은 비용이다. 따라서 합성 데이터에서 실제 데이터로 모션 지식을 전이할 수 있다면 이상적일 것이다. 이러한 맥락에서 우리는 모션 예측을 위한 합성-실제 변환(SRMP)의 가능성을 탐구한다. 그러나 가장 많이 사용되는 단순한 모션 회귀 방법들은 합성-실제 도메인 시프트에 특히 민감하여 신뢰할 수 없는 지식 변환을 초래한다. 이를 해결하기 위해 우리는 두 가지 핵심 구성요소를 통합한 모션 지식 변환 프레임워크를 포함하는 새로운 접근법을 제안한다: (1) 객체성 인식 모션 예측(objectness-aware motion prediction)으로, 모션 패턴과 객체성 사전 정보(objectness priors)의 결합 분포를 명시적으로 모델링하여 도메인 불변 특징(feature) 학습을 향상시키고, (2) 객체성 보조 모션 향상(objectness-aided motion enhancement)은 학습된 객체성 사전 정보를 활용하여 모션 노이즈를 필터링하는 모션 레이블 정제 메커니즘이다. 또한, SRMP 연구를 위한 최초의 합성 4D LiDAR 데이터셋인 Motion4D를 생성하기 위한 물리 기반 파이프라인을 제시하며, 이를 통해 합성 모션 데이터셋의 부재를 해소한다. 실험 결과는 우리의 접근법이 도메인 격차를 효과적으로 좁히고 실제 장면에서 우수한 성능을 발휘함을 보여준다.

arXiv:2606.27577v1cs.LG공통 태그 Autonomous Driving, Graph Attention

hia-gat: 고속도로 프레임 단위 교통 충돌 위험 예측을 위한 이종 상호작용 인식 그래프 어텐션 네트워크

hia-gat: A Heterogeneous Interaction-Aware Graph Attention Network For Frame-Level Traffic Conflict Risk Prediction On Freeways

본 논문은 프레임 단위 고속도로 위험 평가를 다중 에이전트(multi-agent) 장면 그래프(scene graph) 수준의 이진 분류 문제로 공식화하며, TTC(time to collision) 또는 PET(post encroachment time) 기반 충돌이 지정된 심각도 임계값을 위반하는 경우 각 비디오 또는 궤적(trajectory) 프레임을 위험으로 라벨링한다. 각 프레임마다 차량을 노드로, 동일 차선(종방향) 및 인접 차선(횡방향)의 두 가지 상호작용 유형을 간선으로 하는 관계 인식 그래프를 구성하고, 후행 충돌(rear-end) 및 차선 변경(lane-change) 충돌 메커니즘에 맞춘 물리 정보 기반 간선 특징으로 이를 보강한다. 비그래프 모델과 그래프 베이스라인으로 구성된 체계적인 벤치마크(benchmark) 스위트를 바탕으로, 종방향 및 횡방향 상호작용을 전용 어텐션 경로로 처리하고 SSM 충돌 기여도(conflict attribution)에서 도출한 이벤트 수준 게이트 감독을 갖춘 충돌 유형 인식 게이팅(gating) 메커니즘으로 이를 융합하는 이중 스트림 이종 그래프 어텐션 네트워크인 HIA-GAT를 제안한다. NGSIM I-80 및 US-101 고속도로 데이터셋(dataset)에서 아홉 가지 TTC 및 PET 임계값 구성에 걸친 실험 결과, HIA-GAT는 최고의 평균 위험 순위 성능(AUC I-80에서 0.835, US-101에서 0.867)을 달성했으며, 관계 구조가 필수적인 PET 전용(차선 변경) 설정에서 가장 큰 향상을 보였다. 정확도를 넘어, 학습된 게이트는 지배적인 충돌 유형에 대한 해석 가능한 차량별 기여도를 제공하여 실행 가능한 실시간 고속도로 안전 모니터링을 지원한다. 횡방향 충돌 위험 모델링에는 그래프 구조가 중요한 반면, 종방향 위험은 종종 비관계적 집계로 포착할 수 있음을 보인다.

arXiv:2607.14203v2cs.GR공통 태그 Autonomous Driving

Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성

Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation

3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.