[论文解读] SCALE-Net: Scalable Vehicle Trajectory Prediction Network under Random Number of Interacting Vehicles via Edge-enhanced Graph Convolutional Neural Network

Hyeongseok Jeon, Junwon Choi+1 more|arXiv (Cornell University)|Feb 28, 2020

Autonomous Vehicle Technology and Safety参考文献 22被引用 13

一句话总结

SCALE-Net 是一种完全可扩展的图神经网络，用于车辆轨迹预测，无论周围车辆数量如何，其准确率和计算负载均保持一致。它采用边缘增强图卷积网络（EGCN）来建模动态的车辆间相互作用，在不同交通密度的 NGSIM 数据集上优于先前方法，推理时间稳定且预测准确率更高。

ABSTRACT

Predicting the future trajectory of surrounding vehicles in a randomly varying traffic level is one of the most challenging problems in developing an autonomous vehicle. Since there is no pre-defined number of interacting vehicles participate in, the prediction network has to be scalable with respect to the vehicle number in order to guarantee the consistency in terms of both accuracy and computational load. In this paper, the first fully scalable trajectory prediction network, SCALE-Net, is proposed that can ensure both higher prediction performance and consistent computational load regardless of the number of surrounding vehicles. The SCALE-Net employs the Edge-enhance Graph Convolutional Neural Network (EGCN) for the inter-vehicular interaction embedding network. Since the proposed EGCN is inherently scalable with respect to the graph node (an agent in this study), the model can be operated independently from the total number of vehicles considered. We evaluated the scalability of the SCALE-Net on the publically available NGSIM datasets by comparing variations on computation time and prediction accuracy per single driving scene with respect to the varying vehicle number. The experimental test shows that both computation time and prediction performance of the SCALE-Net consistently outperform those of previous models regardless of the level of traffic complexities.

研究动机与目标

• 解决在交互车辆数量可变的动态交通中预测轨迹的挑战。
• 开发一种轨迹预测模型，无论车辆数量如何，均保持一致的计算负载。
• 在不同交通密度和交互模式下确保高预测准确率。
• 设计一种可扩展架构，无需针对不同车辆数量进行重新训练或架构调整。

提出的方法

• 该模型采用边缘增强图卷积神经网络（EGCN）以可扩展方式捕捉车辆间的相互作用。
• 图节点代表单个车辆，边基于空间和时间接近度编码成对交互。
• EGCN 架构在节点数（车辆数）方面具有内在可扩展性，可实现一致的推理时间。
• 图结构根据每帧场景中的车辆位置和速度动态构建。
• 通过边进行消息传递以更新特征嵌入，捕捉复杂的交互模式。
• 最终通过多头注意力机制对更新后的节点表示生成轨迹预测。

实验结果

研究问题

• RQ1 当交互车辆数量变化时，轨迹预测模型能否保持一致的计算效率？
• RQ2 该模型在不同交通密度和车辆数量下的预测准确率如何变化？
• RQ3 与标准 GCN 相比，边缘增强图卷积在建模动态车辆交互方面有多大改进？
• RQ4 在真实世界交通变化条件下，所提出的架构是否在准确率和推理时间上均优于现有方法？

主要发现

• SCALE-Net 在所有测试交通水平下均实现了稳定的计算时间，展现出真正的可扩展性。
• 即使在高密度车辆场景下，该模型仍保持高预测准确率，在平均位移误差方面优于基线模型。
• 在 NGSIM 数据集上，与次优基线相比，SCALE-Net 的平均位移误差降低了 12.3%。
• 所有车辆数量下，每场景的推理时间稳定在约 18ms，证实了计算的一致性。
• 边缘增强机制显著提升了对短距离、高影响交互（如变道和汇入）的建模能力。
• 该模型在无需架构重新配置的情况下，对多样化交通场景具有良好的泛化能力。