RankFormer: Previsione di Traiettorie Multi-Agente Basata su Transformer
È stato proposto un nuovo modello di deep learning, RankFormer, per la previsione di traiettorie multi-modali nella guida autonoma e nella sicurezza del traffico. Il modello, descritto nell'articolo arXiv 2604.07126, utilizza un'architettura puramente basata su Transformer per gestire le dipendenze temporali e le interazioni spaziali agente-agente senza fare affidamento su strutture a grafo o intenzioni etichettate manualmente. Utilizza due decoder paralleli per generare traiettorie e probabilità, affrontando sfide come il processo decisionale complesso e le molteplici possibili intenzioni. L'approccio mira a migliorare l'accuratezza delle previsioni in scenari di traffico dinamici.
Fatti principali
- RankFormer è un modello basato puramente su Transformer per la previsione di traiettorie multi-modali.
- Affronta le sfide nella guida autonoma, nelle operazioni di traffico e nell'analisi della sicurezza dei trasporti.
- Il modello codifica le traiettorie storiche e utilizza due decoder paralleli per la generazione di traiettorie e probabilità.
- Non richiede strutture a grafo o intenzioni etichettate manualmente.
- L'articolo è disponibile su arXiv con identificativo 2604.07126.
- Il modello considera le dipendenze temporali e le interazioni spaziali agente-agente.
Entità
Istituzioni
- arXiv