Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

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. Байназарова
Южно-Казахстанский университет имени М. Ауэзова
Казахстан

Индира Байназарова – докторант, кафедра Автоматизации и управления

Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5



Ж. Умарова
Южно-Казахстанский университет имени М. Ауэзова
Казахстан

Жанат Умарова – PhD, ассоциированный профессор, кафедра Информационных систем и моделирования

Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5



Ю. Джусох
Университет Путра Малайзия
Малайзия

Юсмади Джусох – ассоциированный профессор, факультет Компьютерных наук и информационных технологий

Малайзия, Серданг, Селангор



Ж. Изтаев
Южно-Казахстанский университет имени М. Ауэзова
Казахстан

Жалгасбек Изтаев – кандидат педагогических наук, ассоциированный профессор, кафедра Информационных систем и моделирования

Республика Казахстан, г. Шымкент, проспект Тауке Хана, 5



С. Ботаева
Университет Ташенова
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

Просмотров: 16

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


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