4-санға «Автоматтандыру және ақпараттық технологиялар», «Азық-түлік инженериясы және биотехнология», сондай-ақ «Химиялық технология» бағыттары бойынша мақалалар қабылдау жабылды.

Приём статей в четвёртый номер по направлениям «Автоматизация и информационные технологии», «Пищевая инженерия и биотехнология», а также «Химическая технология» закрыт.

Submissions for the fourth issue in the fields of Automation and Information Technology, Food Engineering and Biotechnology, as well as Chemical Technology, are now closed.

Preview

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы

Кеңейтілген іздеу

ГИБРИДТІ ГРАФТЫҚ ЖӘНЕ ТРАНСФОРМЕРЛІК НЕЙРОНДЫҚ ЖЕЛІЛЕР НЕГІЗІНДЕ АВТОНОМДЫ КӨЛІК ЖҮЙЕЛЕРІ ҮШІН ЖОЛ ҚОЗҒАЛЫСЫНА ҚАТЫСУШЫЛАР ТРАЕКТОРИЯЛАРЫН КОНТЕКСТКЕ ТӘУЕЛДІ БОЛЖАУ

https://doi.org/10.53360/2788-7995-2026-3(23)-21

Толық мәтін:

Аңдатпа

Жол қозғалысына қатысушылардың траекторияларын болжау автономды көлік жүйелерінің маңызды құрамдас бөліктерінің бірі болып табылады, өйткені ол ықтимал қақтығыстарды бағалауға және динамикалық жол жағдайында қауіпсіз қозғалысты жоспарлауға мүмкіндік береді. Бұл жұмыста жол қозғалысына қатысушылар арасындағы жергілікті өзара әрекеттесулерді адаптивті графтық модельдеуді және көріністің жаһандық контекстін кодтауға арналған трансформер модулін біріктіретін гибридті болжау архитектурасы ұсынылған. Модель Argoverse 2 Motion Forecasting және Waymo Open Motion Dataset деректер жиынтықтарында ADE, FDE, Miss Rate, minADE және minFDE метрикалары, сондай-ақ орнықтылықты, өзара әрекеттесу тығыздығын және инференс уақытын талдау негізінде бағаланды. Argoverse 2 жиынтығында ұсынылған модель Motion Transformer моделіне қарағанда ADE көрсеткішін 1,21-ден 1,17-ге, FDE көрсеткішін 2,81-ден 2,69-ға және Miss Rate көрсеткішін 0,25-тен 0,23-ке дейін төмендетті. Waymo деректер жиынтығында жақсару деңгейі төменірек болғанымен, барлық негізгі көрсеткіштер бойынша сақталды: ADE 1,58-ден 1,53-ке, ал FDE 3,82-ден 3,69-ға дейін азайды. Ең айқын артықшылық өзара әрекеттесу тығыздығы жоғары сценарийлерде байқалды, мұнда ADE мәні 1,52-ден 1,45-ке дейін төмендеді. Алынған нәтижелер өзара әрекеттесулерді адаптивті түрде салмақтау күрделі көпагентті жол сценарийлерінде болжаудың орнықтылығын арттыратынын көрсетті, алайда бұл есептеу шығындарының өсуімен қатар жүреді.

Авторлар туралы

И. Байназарова
М. Әуезов атындағы Оңтүстік Қазақстан университеті
Қазақстан

Индира Байназарова – PhD докторант, Автоматтандыру және басқару кафедрасы

Қазақстан Республикасы, Шымкент қаласы, Тәуке хан даңғылы, 5



Ж. Умарова
М. Әуезов атындағы Оңтүстік Қазақстан университеті
Қазақстан

Жанат Умарова – PhD, қауымдастырылған профессор, Ақпараттық жүйелер және модельдеу кафедрасы

Қазақстан Республикасы, Шымкент қаласы, Тәуке хан даңғылы, 5



Ю. Джусох
Путра Малайзия университеті
Малайзия

Юсмади Джусох – қауымдастырылған профессор, Компьютерлік ғылымдар және ақпараттық технологиялар факультеті

Малайзия, Серданг, Селангор 



Ж. Изтаев
М. Әуезов атындағы Оңтүстік Қазақстан университеті
Қазақстан

Жалғасбек Изтаев – педагогика ғылымдарының кандидаты, қауымдастырылған профессор, Ақпараттық жүйелер және модельдеу кафедрасы

Қазақстан Республикасы, Шымкент қаласы, Тәуке хан даңғылы, 5



С. Ботаева
Тәшенев университеті, Қазақстан Республикасы,
Қазақстан

Сәуле Ботаева – техника ғылымдарының кандидаты, IT және цифрлық технологиялар кафедрасы

Шымкент қаласы, Қонаев даңғылы, 16



Әдебиет тізімі

1. Social LSTM: Human trajectory prediction in crowded spaces / A. Alahi et al // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Las Vegas, USA, 2016. – P. 961-971. https://doi.org/10.1109/CVPR.2016.110.

2. Social-STGCNN: A social spatio-temporal graph convolutional neural network for human trajectory prediction / A. Mohamed et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – Seattle, USA, 2020. – P. 14424-14432. https://doi.org/10.1109/CVPR42600.2020.01444.

3. Learning lane graph representations for motion forecasting / M. Liang et al // Proceedings of the European Conference on Computer Vision (ECCV). – Glasgow, United Kingdom, 2020. – P. 541-556. https://doi.org/10.1007/978-3-030-58536-5_32.

4. AgentFormer: Agent-aware transformers for socio-temporal multi-agent forecasting / Y. Yuan et al // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – Montreal, Canada, 2021. – P. 9813-9823. https://doi.org/10.1109/ICCV48922.2021.00967.

5. Motion Transformer with global intention localization and local movement refinement / S. Shi et al // Advances in Neural Information Processing Systems. – 2022. – Vol. 35. – New York: Curran Associates. – P. 6531-6543. https://doi.org/10.48550/arXiv.2209.13508.

6. nuScenes: A multimodal dataset for autonomous driving / H. Caesar et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – Seattle, USA, 2020. – P. 11618-11628. https://doi.org/10.1109/CVPR42600.2020.01164.

7. Zhan W. et al. INTERACTION dataset: An INTERnational, adversarial and cooperative motion dataset in interactive driving scenarios with semantic maps [The electron. resource]. – 2019. https://arxiv.org/abs/1910.03088 (date of request: 17.05.2025). https://doi.org/10.48550/arXiv.1910.03088.

8. Argoverse 2: Next generation datasets for self-driving perception and forecasting / B. Wilson et al // Proceedings of the Neural Information Processing Systems Track on Datasets and Benchmarks. – 2023. https://arxiv.org/abs/2301.00493 (date of request: 17.05.2025). https://doi.org/10.48550/arXiv.2301.00493.

9. Large scale interactive motion forecasting for autonomous driving: The Waymo Open Motion Dataset / S. Ettinger et al // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – Montreal, Canada, 2021. – P. 9710-9719. https://doi.org/10.1109/ICCV48922.2021.00957.

10. VectorNet: Encoding HD maps and agent dynamics from vectorized representation / J. Gao et al // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – Seattle, USA, 2020. – P. 11525-11533. https://doi.org/10.1109/CVPR42600.2020.01154.


Рецензия

Дәйектеу үшін:


Байназарова И., Умарова Ж., Джусох Ю., Изтаев Ж., Ботаева С. ГИБРИДТІ ГРАФТЫҚ ЖӘНЕ ТРАНСФОРМЕРЛІК НЕЙРОНДЫҚ ЖЕЛІЛЕР НЕГІЗІНДЕ АВТОНОМДЫ КӨЛІК ЖҮЙЕЛЕРІ ҮШІН ЖОЛ ҚОЗҒАЛЫСЫНА ҚАТЫСУШЫЛАР ТРАЕКТОРИЯЛАРЫН КОНТЕКСТКЕ ТӘУЕЛДІ БОЛЖАУ. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 2026;(3(23)):205-216. https://doi.org/10.53360/2788-7995-2026-3(23)-21

For citation:


Bainazarova I., Umarova Zh., Jusoh Yu., Iztayev Zh., Botayeva S. CONTEXT-DEPENDENT TRAJECTORY FORECASTING FOR AUTONOMOUS TRANSPORT SYSTEMS USING HYBRID GRAPH AND TRANSFORMER NEURAL NETWORKS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):205-216. https://doi.org/10.53360/2788-7995-2026-3(23)-21

Қараулар: 16

JATS XML


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X