ترجمه فارسی مقاله تولید حرکت مبتنی بر هایپرگراف با استدلال رابطه ای برهمکنش چندوجهی

چکیده

The intricate nature of real-world driving environments, characterized by dynamic and diverse interactions among multiple vehicles and their possible future states, presents considerable challenges in accurately predicting the motion states of vehicles and handling the uncertainty inherent in the predictions. Addressing these challenges requires comprehensive modeling and reasoning to capture the implicit relations among vehicles and the corresponding diverse behaviors. This research introduces an integrated framework for autonomous vehicles (AVs) motion prediction to address these complexities, utilizing a novel Relational Hypergraph Interaction-informed Neural mOtion generator (RHINO). RHINO leverages hypergraph-based relational reasoning by integrating a multi-scale hypergraph neural network to model group-wise interactions among multiple vehicles and their multi-modal driving behaviors, thereby enhancing motion prediction accuracy and reliability. Experimental validation using real-world datasets demonstrates the superior performance of this framework in improving predictive accuracy and fostering socially aware automated driving in dynamic traffic scenarios.

چکیده به فارسی (ترجمه ماشینی)

ماهیت پیچیده محیط های رانندگی در دنیای واقعی ، که با تعامل پویا و متنوع بین چندین وسیله نقلیه و حالت های احتمالی آینده آنها مشخص می شود ، در پیش بینی دقیق حالت های حرکت وسایل نقلیه و رسیدگی به عدم اطمینان ذاتی در پیش بینی ها ، چالش های قابل توجهی را ارائه می دهد.پرداختن به این چالش ها مستلزم مدل سازی و استدلال جامع برای گرفتن روابط ضمنی بین وسایل نقلیه و رفتارهای متنوع مربوطه است.این تحقیق یک چارچوب یکپارچه برای پیش بینی حرکت خودروهای خودمختار (AVS) برای پرداختن به این پیچیدگی ها ، با استفاده از یک ژنراتور حرکات عصبی آگاهانه تعامل آگاهانه (RHINO) را ارائه می دهد.Rhino با ادغام یک شبکه عصبی Hypergraph چند مقیاس برای الگوبرداری از تعامل گروهی در بین چندین وسیله نقلیه و رفتارهای رانندگی چند منظوره آنها ، استدلال رابطه ای مبتنی بر Hypergraph را افزایش می دهد و از این طریق دقت و قابلیت اطمینان پیش بینی حرکت را افزایش می دهد.اعتبار سنجی تجربی با استفاده از مجموعه داده های دنیای واقعی ، عملکرد برتر این چارچوب را در بهبود دقت پیش بینی و تقویت رانندگی خودکار آگاه اجتماعی در سناریوهای ترافیک پویا نشان می دهد.