Een vergelijkende studie naar graaf-neurale-netwerklaagselectie voor interactiemodellering bij rijtrajectvoorspelling

Autonome rijsystemen zijn afhankelijk van nauwkeurige trajectvoorspelling om veilige en efficiënte bewegingen te plannen. Graph Neural Networks zijn een veelbelovende aanpak geworden voor het modelleren van spatiotemporele interacties tussen weggebruikers. Het ontwerpen van GNN-architecturen voor trajectvoorspelling blijft echter niet-gestandaardiseerd, met weinig richtlijnen over welke graaflagen ruimtelijke interacties en temporele dynamiek effectief vastleggen. Dit artikel biedt een gedetailleerde vergelijking.