EquiDiff: نموذج انتشار شرطي متساوي لإسقاط المسارات المتوقعة

يُعد التنبؤ الدقيق بالمسارات أمرًا حاسمًا للتشغيل الآمن والفعال للمركبات المستقلة. وقد أدت الشعبية المتزايدة للتعلم العميق إلى تطوير العديد من الأساليب لتنبؤ المسارات. بينما تم استخدام نماذج التعلم العميق الحتمية على نطاق واسع، فقد اكتسبت النماذج الجينية العميقة شهرة لأنها تتعلم توزيعات البيانات من بيانات التدريب وتأخذ في الاعتبار عدم اليقين في المسارات. في هذه الدراسة، نقترح EquiDiff، وهو نموذج جيني عميق لتنبؤ المسارات المستقبلية للمركبات. يعتمد EquiDiff على نموذج الانتشار الشرطي، الذي يقوم بتوليد المسارات المستقبلية من خلال دمج المعلومات التاريخية وضوضاء غاوسية عشوائية. النموذج الأساسي لـ EquiDiff هو محول متساوي SO(2) يستفيد بشكل كامل من الخصائص الهندسية لإحداثيات الموقع. بالإضافة إلى ذلك، نستخدم الشبكات العصبية المتكررة وشبكات الانتباه الرسومية لاستخراج التفاعلات الاجتماعية من المسارات التاريخية. لتقييم أداء EquiDiff، نقوم بإجراء تجارب واسعة على مجموعة بيانات NGSIM. تظهر نتائجنا أن EquiDiff يتفوق على نماذج الأساس الأخرى في التنبؤ قصير المدى، ولكن لديه أخطاء أعلى قليلاً في التنبؤ طويل المدى. علاوة على ذلك، نجري دراسة استبعاد للتحقيق في مساهمة كل مكون من مكونات EquiDiff في دقة التنبؤ. إضافيًا، نقدم تصورًا لعملية التوليد لنموذج الانتشار الخاص بنا، مما يوفر رؤى حول عدم اليقين في التنبؤ.