ترجمه فارسی مقاله MART: شبکه‌های تبدیل‌کننده رابطه‌ای چندمقیاسی برای پیش‌بینی مسیر چندعاملی

چکیده

Multi-agent trajectory prediction is crucial to autonomous driving and understanding the surrounding environment. Learning-based approaches for multi-agent trajectory prediction, such as primarily relying on graph neural networks, graph transformers, and hypergraph neural networks, have demonstrated outstanding performance on real-world datasets in recent years. However, the hypergraph transformer-based method for trajectory prediction is yet to be explored. Therefore, we present a MultiscAle Relational Transformer (MART) network for multi-agent trajectory prediction. MART is a hypergraph transformer architecture to consider individual and group behaviors in transformer machinery. The core module of MART is the encoder, which comprises a Pair-wise Relational Transformer (PRT) and a Hyper Relational Transformer (HRT). The encoder extends the capabilities of a relational transformer by introducing HRT, which integrates hyperedge features into the transformer mechanism, promoting attention weights to focus on group-wise relations. In addition, we propose an Adaptive Group Estimator (AGE) designed to infer complex group relations in real-world environments. Extensive experiments on three real-world datasets (NBA, SDD, and ETH-UCY) demonstrate that our method achieves state-of-the-art performance, enhancing ADE/FDE by 3.9%/11.8% on the NBA dataset. Code is available at https://github.com/gist-ailab/MART.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی مسیر چند عامل برای رانندگی خودمختار و درک محیط اطراف بسیار مهم است.رویکردهای مبتنی بر یادگیری برای پیش بینی مسیر چند عامل ، مانند تکیه بر شبکه های عصبی نمودار ، ترانسفورماتورهای نمودار و شبکه های عصبی Hypergraph ، عملکرد برجسته ای را در مجموعه داده های دنیای واقعی در سالهای اخیر نشان داده اند.با این حال ، روش مبتنی بر ترانسفورماتور Hypergraph برای پیش بینی مسیر هنوز مورد بررسی قرار نگرفته است.بنابراین ، ما یک شبکه ترانسفورماتور رابطه ای چند مقیاس (MAR) را برای پیش بینی مسیر چند عامل ارائه می دهیم.مارت یک معماری ترانسفورماتور Hypergraph برای در نظر گرفتن رفتارهای فردی و گروهی در ماشین آلات ترانسفورماتور است.ماژول اصلی مارت رمزگذار است که شامل یک ترانسفورماتور رابطه ای جفت (PRT) و یک ترانسفورماتور بیش از حد رابطه (HRT) است.رمزگذار با معرفی HRT ، قابلیت های ترانسفورماتور رابطه ای را گسترش می دهد ، که ویژگی های Hyperedge را در مکانیسم ترانسفورماتور ادغام می کند و وزن های توجه را برای تمرکز بر روابط گروهی ترویج می کند.علاوه بر این ، ما یک برآوردگر گروه تطبیقی ​​(AGE) پیشنهاد می کنیم که برای استنباط روابط گروهی پیچیده در محیط های دنیای واقعی طراحی شده است.آزمایش های گسترده در سه مجموعه داده در دنیای واقعی (NBA ، SDD و ETH-UCY) نشان می دهد که روش ما به عملکرد پیشرفته و پیشرفته می رسد و ADE/FDE را با 3.9 ٪/11.8 ٪ در مجموعه داده NBA افزایش می دهد.کد در https://github.com/gist-ailab/mart در دسترس است.