ГРАФОВЫЕ НЕЙРОННЫЕ СЕТИ В ПРОГНОЗИРОВАНИИ ДВИЖЕНИЯ УЧАСТНИКОВ ДОРОЖНОГО ДВИЖЕНИЯ

GRAPH NEURAL NETWORKS IN TRAFFIC PARTICIPANT MOTION PREDICTION

Pavel Kobylin

master’s student, 1st year, Naberezhnye Chelny Institute, Kazan (Volga Region) Federal University,

Russia, Naberezhnye Chelny

АННОТАЦИЯ

В статье рассматриваются подходы на основе графовых нейронных сетей (Graph Neural Networks, GNN) для прогнозирования траекторий участников дорожного движения. GNN позволяют моделировать сложные взаимодействия между объектами, что особенно актуально в задачах автономного вождения и интеллектуальных транспортных систем. Кратко проанализированы существующие модели, их преимущества, ограничения и перспективы развития.

Ключевые слова: графовые нейронные сети, прогнозирование траектории, GNN, автономное вождение, дорожное движение.

Введение

Современные транспортные системы нуждаются в точном прогнозировании поведения участников дорожного движения — автомобилей, пешеходов, велосипедистов. Традиционные методы зачастую не справляются с высоко динамичными и плотными дорожными сценами. В ответ на эти вызовы всё большее распространение получают методы глубокого обучения, в частности, графовые нейронные сети (GNN), которые эффективно моделируют взаимные зависимости между участниками движения.

Основы графовых нейронных сетей

Графовая нейронная сеть — это разновидность нейронной сети, которая работает с данными в виде графов. В таких графах вершинами (нодами) выступают агенты — автомобили, пешеходы и другие объекты, а рёбра (ребра) между ними отражают взаимодействия: пространственные, временные или семантические.

Архитектура GNN обычно включает следующие элементы:

Инициализация признаков: каждому агенту сопоставляются векторы признаков (например, координаты, скорость, тип участника).

Агрегация информации: признаки соседних вершин (агентов) агрегируются с помощью функций свёртки (например, mean, sum, attention).

Обновление состояний: собственные признаки агента обновляются с учётом собранной информации.

Выход: итоговое состояние агента используется для предсказания его будущей траектории.

Применение GNN в прогнозировании движения

Существует множество исследований, в которых GNN используются для предсказания движения различных участников дорожного движения. Ниже приведены основные направления и примеры:

1. Социально-ориентированные GNN

Модели типа Social-GNN, Social-STGCNN и Trajectron++ применяются для моделирования поведения пешеходов. Они строят граф, в котором пешеходы связаны с другими пешеходами в окрестности, а также с окружающей сценой. Это позволяет учитывать социальные нормы, такие как избегание столкновений и сохранение безопасного расстояния.

2. Интерактивные модели для автомобилей

Модели вроде VectorNet, LaneGCN, HiVT применяются в контексте автомобильного движения. Они используют векторные представления карт и траекторий и строят иерархические графы, связывая агентов друг с другом, а также с элементами дорожной инфраструктуры (разметка, полосы движения, светофоры).

3. Мультиагентные системы

В более сложных сценариях — например, на перекрёстках или при слиянии полос — применяются динамические графовые модели, в которых связи между агентами изменяются во времени. Такие подходы позволяют учитывать быстро меняющуюся дорожную обстановку.

Заключение

Графовые нейронные сети представляют собой мощный инструмент для прогнозирования поведения участников дорожного движения в условиях сложной городской среды. Их способность учитывать взаимодействия между агентами делает их особенно эффективными в сценариях с высокой плотностью движения. Несмотря на текущие технические сложности, развитие методов GNN и их интеграция в автономные системы управления транспортными средствами открывают перспективы для более безопасной и предсказуемой мобильности в будущем.

Список литературы:

1. Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1), 4-24. Salzmann T. et al. Trajectron++ // ECCV. – 2020.
2. Salzmann, T., Ivanovic, B., Chakravarty, P., & Pavone, M. (2020). Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data. ECCV 2020.