Resumen: En la conducción autónoma de extremo a extremo, la predicción del movimiento juega un papel fundamental en la planificación del vehículo del ego. Sin embargo, los métodos existentes a menudo se basan en características de movimiento agregadas globalmente, ignorando el hecho de que las decisiones de planificación están influenciadas principalmente por un pequeño número de agentes que interactúan localmente. No atender estas interacciones locales críticas puede oscurecer los riesgos potenciales y socavar la confiabilidad de la planificación. En este trabajo, proponemos Focalad, un novedoso marco de conducción autónoma de extremo a extremo que se centra en los vecinos locales críticos y refina la planificación al mejorar las representaciones locales de movimiento. Específicamente, Focalad comprende dos módulos de núcleo: el interactor de agentes de ego-locales (ELAI) y la pérdida de agentes focales-locales (pérdida de FLA). Elai realiza una representación de interacción centrada en el ego basada en gráficos que captura la dinámica de movimiento con los vecinos locales para mejorar tanto la planificación del ego como las consultas de movimiento del agente. La pérdida de FLA aumenta los pesos de los agentes vecinos críticos de decisión, guiando al modelo para priorizar a los más relevantes para la planificación. Extensos experimentos muestran que Focalad supera a los métodos de última generación existentes en los conjuntos de datos Nuscenes de circuito abierto y un punto de referencia de bancos de circuito cerrado. En particular, en el conjunto de datos ADV-Nuscenes centrado en la robustez, Focalad logra mejoras aún mayores, reduciendo la tasa de colilisión promedio en un 41.9% en comparación con la difusión y en un 15,6% en comparación con la Sparsedrive.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
