Resumo Técnico: Um Estudo Comparativo de Seleção de Camadas de Redes Neurais de Grafos para Modelagem de Interação na Predição de Trajetórias de Condução

Declaração do Problema

Sistemas de condução autónoma requerem uma predição de trajetória precisa para garantir um movimento seguro e eficiente. Embora as Redes Neurais de Grafos (GNNs) tenham emergido como uma abordagem promissora para modelar as interações espaço-temporais entre agentes rodoviários (veículos, peões, ciclistas), o design de arquiteturas de GNN para esta tarefa específica permanece não padronizado. Existe uma falta de orientação sobre quais tipos específicos de camadas de convolução de grafos capturam efetivamente as interações espaciais e a dinâmica temporal. Além disso, os métodos existentes baseados em aprendizagem frequentemente lutam com a natureza semiestruturada e dinâmica das cenas de condução, incluindo geometrias rodoviárias e contagens de agentes variáveis. Embora as representações de Visão de Olho de Pássaro (BEV) sejam comuns, elas introduzem custos computacionais elevados e problemas de discretização. Este artigo aborda a lacuna na compreensão de como diferentes tipos de camadas de convolução de grafos (GCL) influenciam o desempenho da predição de trajetórias.

Metodologia

Os autores propõem um estudo comparativo avaliando 19 tipos distintos de camadas de grafos dentro de uma arquitetica unificada concebida para a predição de trajetórias espaço-temporais.

Design da Arquitetura:

• Framework Base: O estudo baseia-se na arquitetura de Daoud et al. [5], modificando-a para utilizar uma janela de observação mais curta de 1 segundo (5 frames históricos a 5 Hz) para prever um horizonte de 5 segundos (25 passos futuros).
• Processamento de Entrada: Ao contrário de abordagens anteriores que rotacionam os mapas para coincidir com a direção dos veículos, este modelo mantém o mapa centrado sem rotação para reduzir a computação enquanto mantém a viabilidade da rota.
• Estrutura: O modelo processa dados de mapa através de uma ResNet-18 para gerar um embedding de 200 dimensões, que é combinado com características numéricas dos agentes. Os embeddings dos nós são atualizados ao longo de $h$ iterações (correspondentes aos frames históricos) utilizando GCLs espaciais e temporais emparelhadas. Conexões de salto (skip connections) são empregadas para mitigar o sobre-suavizamento (over-smoothing).
• Construção do Grafo: Arestas espaciais conectam agentes dentro de uma distância euclidiana de 30m no mesmo frame; arestas temporais ligam instâncias consecutivas de agentes através dos frames.

Configuração Experimental:

• Dataset: O dataset RounD [41], especificamente o terceiro cenário envolvendo tráfego numa rotunda na Alemanha.
• Métricas de Avaliação: Erro de Deslocamento Médio (ADE) e Erro de Deslocamento Final (FDE) nos horizontes de 3 e 5 segundos.
• Escopo Comparativo: O estudo avalia 18 variantes de GCLs através de componentes espaciais e temporais, categorizadas em seis grupos:
  1. Convoluções de Grafos Tradicionais (GCN, SAGE, HoGraph).
  2. Atenção de Cabeça Única (AGNN, FA, GAT, LEConv).
  3. Atenção de Multi-Cabeça (EGC, Transformer, SuperGAT).
  4. Baseadas em Topologia (SGC, S2GC, MixHop, TAGCN, MF).
  5. Baseadas em Recorrência (GRU, ResGRU).
  6. Filtros Espectrais Especializados (ARMA, Chebyshev).
• Treino: Os modelos foram treinados durante 60 épocas usando o otimizador Adam numa GPU NVIDIA GeForce RTX 4090.

Contribuições Principais

1. Avaliação Abrangente: O artigo fornece uma avaliação detalhada de 19 tipos de camadas de convolução de grafos para a predição de trajetórias espaço-temporais, preenchendo uma lacuna crítica no design de arquiteturas de GNN.
2. Identificação de Configurações Superiores: O estudo identifica cinco combinações específicas de camadas que superam trabalhos anteriores em cenários de rotundas, alcançando resultados de estado da arte entre modelos unimodais.
3. Princípios de Design: Os autores derivam diretrizes práticas para profissionais, incluindo a superioridade da agregação baseada em soma sobre os métodos baseados em média, a eficácia da atenção de multi-cabeça com transformações distintas e a importância de atribuir pesos diferentes a diferentes distâncias de salto (hop distances).

Resultados

O estudo gerou várias descobertas significativas em relação ao desempenho das camadas:

• Melhores Desempenhos: As configurações com melhor desempenho envolveram consistentemente camadas ARMA, Chebyshev e baseadas em topologia (especificamente TAGCN e MF).
  • A combinação Chebyshev-Chebyshev alcançou os erros mais baixos: ADE@5s de 1.10 e FDE@5s de 2.45.
  • A combinação TAGCN-TAGCN também teve um desempenho excecional (ADE@5s: 1.19, FDE@5s: 2.80).
• Métodos de Agregação: A agregação baseada em soma superou consistentemente a agregação baseada em média em GCLs tradicionais.
• Mecanismos de Atenção:
  • Em modelos de atenção de cabeça única, aplicar uma transformação linear antes de computar a atenção (como em GAT) foi mais eficaz do que usar características brutas ou similaridade de cosseno.
  • Modelos de atenção de multi-cabeça (Transformer, SuperGAT) superaram significativamente os baselines, enquanto o EGC falhou em melhorar o desempenho devido à sua dependência de decomposição de base em vez de transformações específicas de cabeça.
• Consciência de Topologia: Camadas que atribuem pesos distintos a diferentes distâncias de salto (MixHop, TAGCN) tiveram um desempenho melhor do que aquelas que partilham pesos entre saltos (SGC, S2GC).
• Filtros Espectrais: Convoluções ARMA e Chebyshev demonstraram um forte desempenho, particularmente para horizontes de predição mais longos, muitas vezes superando métodos multimodais, apesar de serem unimodais.
• Impacto Espacial vs. Temporal: A modelagem espacial teve um maior impacto no desempenho geral; foram observadas melhorias em 13 das 18 configurações testadas quando a GCL espacial foi modificada. Os ganhos de desempenho não foram estritamente aditivos, indicando interdependência entre a modelagem espacial e temporal.

Significância e Alegações

O artigo afirma que as suas descobertas oferecem orientação útil para o design de modelos de predição de trajetória mais interpretáveis e eficazes. Ao comparar sistematicamente 19 tipos de camadas, os autores fornecem um roteiro para selecionar componentes de GNN ideais, indo além das abordagens de tentativa e erro.

Os autores notam modestamente que, embora o seu modelo supere todos os baselines unimodais e até alguns métodos multimodais, não é uma solução completa. Eles reconhecem limitações, incluindo:

• Avaliação de apenas 55 das 182 combinações de camadas possíveis.
• Testes restritos a um único cenário de condução (rotundas), que pode não capturar todas as condições de condução.
• Dependência de métricas ADE e FDE sem uma análise abrangente dos custos computacionais (FLOPs, contagens de parâmetros).

O trabalho conclui que os modelos baseados em grafos superam significativamente as abordagens tradicionais de aprendizagem automática para a predição de trajetórias e sugere que a investigação futura deve focar-se no desenvolvimento de camadas de grafos híbridas que combinem as propriedades mais eficazes dos métodos avaliados.