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

Technische Samenvatting: Lane-Aware Graph Attention Network voor Voorspelling van Meerdere Voertuigtrajecten in Splitsingszones van Snelwegen

Probleemstelling
Nauwkeurige voorspelling van trajecten van meerdere voertuigen is cruciaal voor autonome besluitvorming, met name in splitsings- en samenvoegingszones van snelwegen waar interactiestructuren geometrisch onderscheidend en complex zijn. Bestaande op grafieken gebaseerde voorspellingsmodellen zijn voornamelijk ontwikkeld en gevalideerd op hoofdstroken van snelwegen met behulp van datasets van vaste camera's zoals NGSIM. Deze modellen slagen er vaak niet in om de specifieke interactietopologieën van samenvoegingszones aan te pakken. Bovendien vertrouwen standaard evaluatieprotocollen uitsluitend op verplaatsingsfoutmetrieken (ADE, FDE), waardoor de veiligheidsgevolgen van voorspelde trajecten niet worden gekwantificeerd. Er bestaat een aanzienlijke lacune in de literatuur met betrekking tot de generalisatie van modellen die zijn getraind op data met bekende meetfouten (zoals NGSIM) naar nieuwe omgevingen, en het ontbreken van evaluatie met vervangende veiligheidsmaatstaven (SSM) bij trajectvoorspelling.

Methodologie
Het artikel stelt een Lane-Aware Graph Attention Network (LA-GAT) voor dat is ontworpen om voertuiginteracties te coderen binnen dynamische sceneschetsen. De methodologie omvat vier kerncomponenten:

1. Constructie van Dynamische Sceneschets: Op elk tijdstip wordt het verkeersbeeld weergegeven als een gerichte graaf waarbij knopen voertuigen zijn en randen invloed vertegenwoordigen. Randen worden vastgesteld op basis van:
   • Nabijheid: Een drempelwaarde afgeleid van het 95e percentiel van waargenomen onderlinge voertuigafstanden.
   • Structurele Beperkingen: Expliciete leider-volger-records en verplichte randen voor voertuigen in aangrenzende rijstroken binnen een longitudinale scheiding van ±10 m om ervoor te zorgen dat paren met samenvoegingsconflicten altijd worden weergegeven.
2. Lane-Aware Attention Mechanisme: Het model maakt gebruik van een trainbaar attention-bias voor rijstrookrelaties. Voordat de attention-berekening plaatsvindt, wordt het kenmerk van de rijstrookrelatie (afbeeldend op gelijk, links, rechts of samenvoegen) gemodificeerd door een leerbare scalair vector. Dit mechanisme wordt geïnitieerd om een positieve bias specifiek toe te wijzen aan "samenvoegende" relaties, waardoor structureel prioriteit wordt gegeven aan interacties met samenvoegingsconflicten vanaf het begin van de training.
3. Architectuur:
   • Temporele Encoder: Een bidirectionele LSTM verwerkt historische statereeksen van 30 frames (3 seconden) (positie, snelheid, versnelling, genormaliseerde rijstrook-ID, rijstrookwissel-vlag) om 128-dimensionale bewegingscontextvectoren te produceren.
   • Graph Attention: Twee gestapelde GATv2-lagen aggregeren buurtinformatie met behulp van de door rijstrook-bias gemodificeerde randkenmerken.
   • Decoder: Drie onafhankelijke MLP-koppen voorspellen bivariate Gaussische parameters voor horizonnen van 1s, 3s en 5s.
4. Protocol voor Overdracht tussen Datasets:
   • Pre-training: Het model wordt vooraf getraind op ruwe, ongefilterde NGSIM US-101 en I-80 datasets. Er wordt geen kwaliteitsfiltering toegepast op leider-volger-records of volgafstandswaarden om de prestaties te benchmarken onder omstandigheden van real-world datakwaliteit.
   • Fine-tuning: De BiLSTM-encoder wordt bevroren, terwijl de GATv2-lagen en de decoder worden gefine-tuned op door UAV's vastgelegde UTE SQM-W-1 trajectdata uit een samenvoegingsgebied van een Chinese snelweg.
   • Evaluatie: Het model wordt geëvalueerd op de terughoudende UTE SQM-W-2 dataset (zero-shot en fine-tuned condities).

Belangrijkste Bijdragen

1. LA-GAT Model: Introductie van een graph attention network met een trainbaar bias voor rijstrookrelaties dat tijdens de training expliciet prioriteit geeft aan interacties met samenvoegingsconflicten.
2. Protocol voor Overdracht tussen Datasets: Een nieuw workflow die pre-training op ruwe NGSIM-data omvat en fine-tuning op hoge-resolutie UAV-data (UTE SQM), wat de eerste toepassing markeert van drone-BEV-data van Chinese snelwegen voor op GAT gebaseerde trajectvoorspelling.
3. Analyse van Generalisatie op Ruwe Data: Bewust gebruik van ongefilterde NGSIM-data om de generalisatiegrenzen en prestatiedegradatie veroorzaakt door meetfouten (bijv. ongeldige leider-ID's) te karakteriseren, waarmee direct wordt ingegaan op problemen met datasensitiviteit die in eerdere benchmarks zijn geïdentificeerd.
4. Uitgebreide Evaluatiemetrieken: Uitbreiding van de evaluatie voorbij verplaatsingsfouten om vervangende veiligheidsmaatstaven (SSM) te omvatten: overtredingspercentages van Time-to-Collision (TTC), overschrijdingspercentages van Deceleration Rate to Avoid Collision (DRAC) en botsingspercentages berekend uit gereconstrueerde absolute voorspelde posities.

Resultaten

• Verplaatsingsnauwkeurigheid: Fine-tuning op UAV-data verminderde de kloof bij overdracht tussen datasets aanzienlijk. Op de terughoudende SQM-W-2 dataset bereikte het gefine-tuned model een Average Displacement Error (ADE) van 0,865 m bij 1s en 2,518 m bij 3s. Dit vertegenwoordigt een reductie van respectievelijk ongeveer 79% en 77% ten opzichte van de zero-shot NGSIM-only baseline (4,125 m en 10,779 m).
• NGSIM Prestaties: Op de NGSIM testset vertoonde het model hoge foutpercentages (ADE van 17,39 m bij 1s) en hoge overtredingspercentages voor SSM. De auteurs schrijven dit toe aan het gebruik van ruwe, ongefilterde data met beschadigde interactierecords, wat bevestigt dat meetfouten in trainingsdata de generalisatie van het model direct beperken.
• Veiligheidsmetrieken: Het gefine-tuned model vertoonde lagere overtredingspercentages voor TTC en overschrijdingspercentages voor DRAC bij de 1s-horizon in vergelijking met de zero-shot baseline, wat suggereert dat de nabijheid tot werkelijke voertuigposities valse bijna-botsingen reduceert. Echter, hoge overtredingspercentages bleven bestaan bij langere horizonnen (bijv. TTC-overtreding stijgend van 56,74% bij 1s naar 84,84% bij 5s), wat de inherente onzekerheid van menselijk gap-acceptatiegedrag in samenvoegingszones weerspiegelt en niet uitsluitend modelfouten.

Betekenis en Aanspraken
Het artikel beweert dat door drones geïnformeerde fine-tuning essentieel is om de kloof te overbruggen tussen modellen die zijn getraind op verouderde, foutgevoelige datasets en real-world toepassingen in samenvoegingszones. De studie toont aan dat hoewel pre-training op ruwe NGSIM-data een baseline biedt, de structurele verschillen en meetfouten in die dataset een effectieve zero-shot overdracht naar geometrieën van Chinese snelwegen voorkomen.

De auteurs benadrukken dat de snelle verslechtering van voorspellingsnauwkeurigheid in de tijd (van 0,865 m bij 1s naar 5,034 m bij 5s) en de verhoogde veiligheidsovertredingspercentages bij langere horizonnen niet louter modelbeperkingen zijn, maar de cumulatieve onzekerheid weerspiegelen die inherent is aan menselijk gap-acceptatiegedrag bij samenvoegpunten. De studie stelt dat zodra een samenvoegend voertuig zich heeft vastgelegd op een gap, zijn traject zwaar wordt geconditioneerd door niet-deterministische reacties van voertuigen op de hoofdstrook, wat fundamenteel de voorspelbaarheidshorizon in deze zones begrenst.

Beperkingen Erkend door de Auteurs

• De TTC-veiligheidsstrafterm werd tijdens de training op nul ingesteld vanwege de rekenkosten ($O(n^2)$) op CPU-hardware.
• Er werden geen ablatiestudies (bijv. constante snelheid, alleen LSTM, Social LSTM) uitgevoerd om de specifieke bijdrage van het graph attention mechanisme en het lane-aware bias te isoleren.
• De studie heeft geen kwaliteitsfiltering toegepast op de NGSIM pre-training data om een "opgeschoonde" baseline te creëren, hoewel dit een bewuste keuze was om generalisatie onder ruwe condities te testen.