Сравнение 19 графовых нейросетей для предсказания траекторий: найдены лучшие архитектуры
Точное предсказание траекторий — ключевая задача для безопасного движения автономных автомобилей. Графовые нейронные сети (GNN) стали перспективным инструментом для моделирования пространственно-временных взаимодействий между участниками дорожного движения. Однако архитектуры GNN для этой задачи остаются нестандартизированными, и существует мало руководств по выбору эффективных слоёв.
В новой работе, представленной на arXiv, учёные провели детальное сравнение 19 типов графовых слоёв, оценивая их способность обрабатывать пространственные и временные зависимости. В рамках заданного набора гиперпараметров они выделили пять наиболее эффективных комбинаций слоёв. Особо отличились слои ARMA, Чебышева (Chebyshev) и топологически-зависимые (topology-aware) — они стабильно превосходили остальные.
Помимо показателей производительности, исследователи сформулировали практические принципы проектирования. Во-первых, агрегация на основе суммы (sum-based aggregation) оказалась эффективнее методов на основе среднего. Во-вторых, механизмы multi-head attention обогащают взаимодействия между агентами. В-третьих, присвоение различных весов разным расстояниям прыжка (hop distances) значительно улучшает точность прогноза.
Эти выводы дают полезные ориентиры для создания более интерпретируемых и эффективных моделей предсказания траекторий. Работа может помочь разработчикам автономных систем быстрее выбирать подходящую архитектуру GNN без необходимости перебора всех вариантов.
Исследование подчёркивает важность правильного выбора слоёв для моделирования сложных взаимодействий на дороге. В перспективе такие рекомендации могут ускорить внедрение GNN в реальные системы автономного вождения.
