مقاله شبکه توجه گراف آگاه از خطوط برای پیش‌بینی مسیر وسایل نقلیه در مناطق ادغام بزرگراه‌ها.
,

مقاله شبکه توجه گراف آگاه از خطوط برای پیش‌بینی مسیر وسایل نقلیه در مناطق ادغام بزرگراه‌ها.

تومان249,950

پیش‌بینی دقیق مسیر حرکت چندین خودرو در مناطق ادغام و انشعاب بزرگراه‌ها، برای چارچوب‌های تصمیم‌گیری سیستم‌های خودروی خودران امری اساسی است. با این حال، اکثر مدل‌های پیش‌بینی مبتنی بر گراف، بر روی مقاطع…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000354 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

شبکه توجه گراف آگاه از خطوط برای پیش‌بینی مسیر وسایل نقلیه در مناطق ادغام بزرگراه‌ها.

Lane-Aware Graph Attention Network for Multi-Vehicle Trajectory Prediction in Expressway Merge Zones

نویسندگان: Eni Solomon Laughter

شناسه منبع: arxiv / 2605.11940v2

دسته: eess.SY

چکیده (فارسی)

پیش‌بینی دقیق مسیر حرکت چندین خودرو در مناطق ادغام و انشعاب بزرگراه‌ها، برای چارچوب‌های تصمیم‌گیری سیستم‌های خودروی خودران امری اساسی است. با این حال، اکثر مدل‌های پیش‌بینی مبتنی بر گراف، بر روی مقاطع اصلی بزرگراه‌ها توسعه یافته و اعتبارسنجی شده‌اند و ساختارهای تعاملی متمایز هندسی که مناطق ادغام را مشخص می‌کنند، مورد توجه قرار نمی‌دهند. علاوه بر این، پروتکل‌های ارزیابی استاندارد صرفاً بر معیارهای خطای جابجایی تکیه دارند و پیامدهای ایمنی مسیرهای پیش‌بینی شده را کمی‌سازی نمی‌کنند. این مقاله یک شبکه توجه مبتنی بر گراف آگاه از خطوط (LA-GAT) را معرفی می‌کند که تعامل خودروها را در گراف‌های صحنه پویا رمزگذاری می‌کند. این مدل با یک بایاس توجه قابل آموزش برای روابط خطی تقویت شده است که از ابتدای آموزش، تعاملات در مناطق ادغام را در اولویت قرار می‌دهد. مدل ابتدا بر روی داده‌های خام NGSIM US-101 و I-80 پیش‌آموزش داده شده و سپس بر روی داده‌های مسیر UTE SQM-W-1 که با پهپاد از یک منطقه ادغام بزرگراه چینی ثبت شده، تنظیم دقیق می‌شود. ارزیابی نهایی بر روی مجموعه داده SQM-W-2 که جداگانه نگه داشته شده، انجام می‌شود. ارزیابی شامل معیارهای جابجایی (ADE، FDE در افق‌های زمانی ۱، ۳ و ۵ ثانیه) و معیارهای جایگزین ایمنی (نرخ نقض TTC، نرخ تجاوز از DRAC، نرخ برخورد) است. نتایج تنظیم دقیق بر روی SQM-W-2، ADE برابر با ۰.۸۶۵ متر در ۱ ثانیه و ۲.۵۱۸ متر در ۳ ثانیه را نشان می‌دهد، که حاکی از آن است که تنظیم دقیق با اطلاعات پهپاد، شکاف انتقال بین مجموعه داده‌ها را به طور قابل توجهی کاهش می‌دهد. استفاده عمدی از داده‌های NGSIM بدون فیلتر، محدودیت‌های تعمیم در شرایط خام را مشخص می‌کند و افت عملکرد به خطاهای اندازه‌گیری مستند شده در آن مجموعه داده نسبت داده می‌شود.

Abstract (English)

Accurate multi-vehicle trajectory prediction in expressway merge and diverge areas is fundamental to the decision-making frameworks of autonomous vehicle systems. However, the majority of existing graph-based prediction models are developed and validated on mainline freeway segments and do not address the geometrically distinct interaction structures that characterize merge zones. Furthermore, standard evaluation protocols rely exclusively on displacement error metrics, leaving the safety consequences of predicted trajectories unquantified. This paper proposes a Lane-Aware Graph Attention Network (LA-GAT) that encodes vehicle interaction within dynamic scene graphs, augmented with a trainable lane-relationship attention bias that prioritizes merge-conflict interactions from the outset of training. The model is pre-trained on the raw NGSIM US-101 and I-80 datasets and subsequently fine-tuned on UAV-captured UTE SQM-W-1 trajectory data from a Chinese expressway merge area, with final evaluation on the held-out SQM-W-2 dataset. Evaluation spans both displacement metrics (ADE, FDE at 1s, 3s, 5s horizons) and surrogate safety measures (TTC violation rate, DRAC exceedance rate, collision rate). Fine-tuned results on SQM-W-2 yield ADE of 0.865 m at 1s and 2.518 m at 3s, demonstrating that drone-informed fine-tuning substantially reduces the cross-dataset transfer gap. The deliberate use of unfiltered NGSIM data is shown to characterize raw-condition generalization limits, with the performance degradation attributed to the well-documented measurement errors in that dataset.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله شبکه توجه گراف آگاه از خطوط برای پیش‌بینی مسیر وسایل نقلیه در مناطق ادغام بزرگراه‌ها.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا