【Motion Forecasting】【摘要阅读】Path-Aware Graph Attention for HD Maps in Motion Prediction

Path-Aware Graph Attention for HD Maps in Motion Prediction

这是一篇来自于2022年ICRA的工作，作者来自于QCraft轻舟智航，之前我还做过一篇自动驾驶运动预测的论文精读学习分享，也是来自于QCraft的工作，是发布于2023年CVPR的ProphNet。

Abstract

自动驾驶运动预测依赖于充分地利用来自高精地图当中的信息。由于地图数据本身具有图结构（graph），近年来出现了许多使用图神经网络对高精地图进行编码的工作。

然而，与其它大多数可以直接将图神经网络进行部署的应用场景不同，高精地图本身是异构的，图中的结点和边可能具有多种类型，但大多数的基于图的模型均是对边的类型无感知的，而边的类型包含着代理如何沿车道行驶的重要信息。

为了解决上述问题，本文方法提出了一种道路感知的图注意力机制（Path-Aware Graph Attention，PAGA），这是一种新颖的注意力机制，在对两个结点之间的注意力分数进行计算时，会解析连接两个结点所形成的路径。

实验结果表明，与现有的如GCN之类的图神经网络相比，PAGA可以帮助模型更好地完成运动预测任务。通过对地图编码进行改进，PAGA在Argoverse Motion Forecasting数据集上取得了当前的SOTA结果。

【精简版：从摘要来说，PAGA是一种地图编码的改进方法，回顾这一时期的工作，研究者们开始对地图编码的改进有所重视，比如leaderboard上排名靠前的GANet、MacFormer等，均强调了地图在自动驾驶运动预测当中具有重要的作用，而过去方法对地图数据的特征提取不够充分。PAGA全称是Path-Aware Graph Attention，即道路感知的图注意力网络，通过摘要的描述，可以大概得知在进行消息传递时，PAGA会计算两个结点之间的道路连接，并将道路连接进行编码，作为注意力分数计算的一部分，进行消息传递，从而使得模型对道路结构有所感知。总得来说，PAGA是一种基于图的方法，消息传递使用的是基于注意力机制的方法，它解决的是自动驾驶运动预测任务中地图数据编码的问题。】

Conclusion

研究PAGA的动机是现实世界的道路设置是复杂的，并且道路之间具有交互，本文评估了PAGA在理解异构图上的非局部交互方面的有效性，在实验环节评估了注意力结构的完整性问题，并在具有高精地图的Argoverse Motion Forecasting数据集上进行了实验。

作者希望进一步在实际应用中对PAGA进行探索，特别是在对具有丰富语义信息的道路交互进行建模的场景当中。

PAGA的计算效率仍需要进一步的实验。当道路的长度增加时，道路的数量会随着图规模的扩大而呈指数级的增长。当函数$\Phi$具有排列不变性时，源结点和目标结点相同的道路理论上可以通过池化来降低计算开销，但随着邻域范围的扩大，结点自身的邻居结点数量会不可避免地呈指数级增长。作者会在未来工作中解决上述复杂性难题。