КОНТЕКСТНО-ЗАВИСИМОЕ ПРОГНОЗИРОВАНИЕ ТРАЕКТОРИЙ УЧАСТНИКОВ ДОРОЖНОГО ДВИЖЕНИЯ ДЛЯ СИСТЕМ АВТОНОМНОГО ТРАНСПОРТА НА ОСНОВЕ ГИБРИДНЫХ ГРАФОВЫХ И ТРАНСФОРМЕРНЫХ НЕЙРОННЫХ СЕТЕЙ
https://doi.org/10.53360/2788-7995-2026-3(23)-21
Аннотация
Прогнозирование траекторий участников дорожного движения является одним из ключевых компонентов систем автономного транспорта, поскольку обеспечивает оценку потенциальных конфликтов и поддержку безопасного планирования движения в динамической дорожной среде. В работе предложена гибридная архитектура прогнозирования, объединяющая адаптивное графовое моделирование локальных взаимодействий между участниками движения и трансформерный модуль для кодирования глобального контекста сцены. Оценка модели проводилась на наборах данных Argoverse 2 Motion Forecasting и Waymo Open Motion Dataset с использованием метрик ADE, FDE, Miss Rate, minADE и minFDE, а также анализа устойчивости, плотности взаимодействий и времени инференса. На наборе Argoverse 2 предложенная модель снизила значение ADE с 1,21 до 1,17, FDE – с 2,81 до 2,69, а Miss Rate – с 0,25 до 0,23 по сравнению с Motion Transformer. На наборе Waymo улучшение оказалось менее выраженным, однако сохранялось по всем основным показателям: ADE уменьшилась с 1,58 до 1,53, а FDE – с 3,82 до 3,69. Наиболее заметное преимущество наблюдалось в сценах с высокой плотностью взаимодействий, где значение ADE снизилось с 1,52 до 1,45. Полученные результаты показывают, что адаптивное взвешивание взаимодействий повышает устойчивость прогнозирования в сложных многоагентных дорожных сценариях, хотя сопровождается увеличением вычислительных затрат.
Об авторах
И. БайназароваКазахстан
Индира Байназарова – докторант, кафедра Автоматизации и управления
Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5
Ж. Умарова
Казахстан
Жанат Умарова – PhD, ассоциированный профессор, кафедра Информационных систем и моделирования
Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5
Ю. Джусох
Малайзия
Юсмади Джусох – ассоциированный профессор, факультет Компьютерных наук и информационных технологий
Малайзия, Серданг, Селангор
Ж. Изтаев
Казахстан
Жалгасбек Изтаев – кандидат педагогических наук, ассоциированный профессор, кафедра Информационных систем и моделирования
Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5
С. Ботаева
Казахстан
Сауле Ботаева – кандидат технических наук, кафедра IT и цифровых технологий
Республика Казахстан, г. Шымкент, проспект Конаева, 16
Список литературы
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
Для цитирования:
Байназарова И., Умарова Ж., Джусох Ю., Изтаев Ж., Ботаева С. КОНТЕКСТНО-ЗАВИСИМОЕ ПРОГНОЗИРОВАНИЕ ТРАЕКТОРИЙ УЧАСТНИКОВ ДОРОЖНОГО ДВИЖЕНИЯ ДЛЯ СИСТЕМ АВТОНОМНОГО ТРАНСПОРТА НА ОСНОВЕ ГИБРИДНЫХ ГРАФОВЫХ И ТРАНСФОРМЕРНЫХ НЕЙРОННЫХ СЕТЕЙ. Вестник Университета Шакарима. Серия технические науки. 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
JATS XML















