Resumen Técnico: Un Estudio Comparativo de la Selección de Capas de Redes Neuronales de Grafos para el Modelado de Interacciones en la Predicción de Trayectorias de Conducción

Planteamiento del Problema

Los sistemas de conducción autónoma requieren una predicción de trayectoria precisa para garantizar un movimiento seguro y eficiente. Si bien las Redes Neuronales de Grafos (GNN, por sus siglas en inglés) han surgido como un enfoque prometedor para modelar las interacciones espaciotemporales entre agentes viales (vehículos, peatones, ciclistas), el diseño de arquitecturas GNN para esta tarea específica sigue sin estandarizarse. Existe una falta de orientación sobre qué tipos específicos de capas de convolución de grafos capturan eficazmente las interacciones espaciales y la dinámica temporal. Además, los métodos existentes basados en aprendizaje suelen tener dificultades con la naturaleza semiestructurada y dinámica de las escenas de conducción, incluyendo geometrías viales y conteos de agentes variables. Aunque las representaciones de Vista de Pájaro (BEV) son comunes, introducen altos costos computacionales y problemas de discretización. Este artículo aborda la brecha en la comprensión de cómo los diferentes tipos de capas de convolución de grafos (GCL) influyen en el rendimiento de la predicción de trayectorias.

Metodología

Los autores proponen un estudio comparativo que evalúa 19 tipos distintos de capas de grafos dentro de una arquitectura unificada diseñada para la predicción de trayectorias espaciotemporales.

Diseño de la Arquitectura:

• Marco Base: El estudio se basa en la arquitectura de Daoud et al. [5], modificándola para utilizar una ventana de observación de 1 segundo más corta (5 fotogramas históricos a 5 Hz) para predecir un horizonte de 5 segundos (25 pasos futuros).
• Procesamiento de Entrada: A diferencia de enfoques previos que rotan los mapas para coincidir con la orientación del vehículo, este modelo mantiene el mapa centrado sin rotación para reducir la computación mientras mantiene la viabilidad de la ruta.
• Estructura: El modelo procesa los datos del mapa mediante una ResNet-18 para generar una incrustación (embedding) de 200 dimensiones, que se combina con características numéricas de los agentes. Las incrustaciones de los nodos se actualizan durante $h$ iteraciones (correspondientes a los fotogramas históricos) utilizando GCL espaciales y temporales emparejadas. Se emplean conexiones de salto (skip connections) para mitigar el sobre-suavizado (over-smoothing).
• Construcción del Grafo: Las aristas espaciales conectan agentes dentro de una distancia euclidiana de 30 m en el mismo fotograma; las aristas temporales vinculan instancias consecutivas de agentes a través de los fotogramas.

Configuración Experimental:

• Conjunto de Datos: El conjunto de datos RounD [41], específicamente el tercer escenario que involucra tráfico en una rotonda en Alemania.
• Métricas de Evaluación: Error de Desplazamiento Promedio (ADE) y Error de Desplazamiento Final (FDE) en horizontes de 3 y 5 segundos.
• Alcance Comparativo: El estudio evalúa 18 variantes de GCL en los componentes espaciales y temporales, categorizadas en seis grupos:
  1. Convoluciones de Grafos Tradicionales (GCN, SAGE, HoGraph).
  2. Atención de Cabezal Único (AGNN, FA, GAT, LEConv).
  3. Atención de Multi-Cabezal (EGC, Transformer, SuperGAT).
  4. Basadas en Topología (SGC, S2GC, MixHop, TAGCN, MF).
  5. Basadas en Recurrencia (GRU, ResGRU).
  6. Filtros Espectrales Especializados (ARMA, Chebyshev).
• Entrenamiento: Los modelos se entrenaron durante 60 épocas utilizando el optimizador Adam en una GPU NVIDIA GeForce RTX 4090.

Contribuciones Clave

1. Evaluación Exhaustiva: El artículo proporciona una evaluación detallada de 19 tipos de capas de convolución de grafos para la predicción de trayectorias espaciotemporales, llenando una brecha crítica en el diseño de arquitecturas GNN.
2. Identificación de Configuraciones Superiores: El estudio identifica cinco combinaciones específicas de capas que superan el trabajo previo en escenarios de rotondas, logrando resultados de vanguardia (state-of-the-art) entre los modelos unimodales.
3. Principios de Diseño: Los autores derivan directrices prácticas para profesionales, incluyendo la superioridad de la agregación basada en suma sobre los métodos basados en media, la eficacia de la atención de multi-cabezal con transformaciones distintas y la importancia de asignar diferentes pesos a diferentes distancias de salto (hop distances).

Resultados

El estudio arrojó varios hallazgos significativos respecto al rendimiento de las capas:

• Mejores Desempeños: Las configuraciones con mejor rendimiento involucraron consistentemente capas ARMA, Chebyshev y de Topología (específicamente TAGCN y MF).
  • La combinación Chebyshev-Chebyshev logró los errores más bajos: ADE@5s de 1.10 y FDE@5s de 2.45.
  • La combinación TAGCN-TAGCN también funcionó excepcionalmente bien (ADE@5s: 1.19, FDE@5s: 2.80).
• Métodos de Agregación: La agregación basada en suma superó consistentemente a la agregación basada en media en las GCL tradicionales.
• Mecanismos de Atención:
  • En los modelos de atención de cabezal único, aplicar una transformación lineal antes de calcular la atención (como en GAT) fue más efectivo que usar características puras o similitud de coseno.
  • Los modelos de atención de multi-cabezal (Transformer, SuperGAT) superaron significativamente a los baselines, mientras que EGC no logró mejorar el rendimiento debido a su dependencia de la descomposición de base en lugar de transformaciones específicas de cabezal.
• Conciencia de la Topología: Las capas que asignan pesos distintos a diferentes distancias de salto (MixHop, TAGCN) funcionaron mejor que aquellas que comparten pesos entre saltos (SGC, S2GC).
• Filtros Espectrales: Las convoluciones ARMA y Chebyshev demostraron un fuerte desempeño, particularmente para horizontes de predicción más largos, superando a menudo a los métodos multimodales a pesar de ser unimodales.
• Impacto Espacial vs. Temporal: El modelado espacial tuvo un mayor impacto en el rendimiento general; se observaron mejoras en 13 de las 18 configuraciones probadas cuando se modificó la GCL espacial. Las ganancias de rendimiento no fueron estrictamente aditivas, lo que indica una interdependencia entre el modelado espacial y temporal.

Significado y Reivindicaciones

El artículo afirma que sus hallazgos ofrecen una guía útil para diseñar modelos de predicción de trayectoria más interpretables y efectivos. Al comparar sistemáticamente 19 tipos de capas, los autores proporcionan una hoja de ruta para seleccionar los componentes GNN óptimos, yendo más allá de los enfoques de prueba y error.

Los autores señalan modestamente que, aunque su modelo supera a todos los baselines unimodales e incluso a algunos métodos multimodales, no es una solución completa. Reconocen limitaciones, incluyendo:

• La evaluación de solo 55 de las 182 combinaciones de capas posibles.
• Pruebas restringidas a un único escenario de conducción (rotondas), que puede no capturar todas las condiciones de conducción.
• Dependencia de las métricas ADE y FDE sin un análisis exhaustivo de los costos computacionales (FLOPs, conteos de parámetros).

El trabajo concluye que los modelos basados en grafos superan significativamente a los enfoques tradicionales de aprendizaje automático para la predicción de trayectorias y sugiere que la investigación futura debería centrarse en desarrollar capas de grafos híbridas que combinen las propiedades más efectivas de los métodos evaluados.