Diskussion zum Artikel "Neuronale Netze im Handel: Hierarchische Vektortransformer (HiVT)"

[MetaQuotes]

Neuer Artikel Neuronale Netze im Handel: Hierarchische Vektortransformer (HiVT) :

Wir laden Sie ein, die Methode Hierarchical Vector Transformer (HiVT) kennenzulernen, die für die schnelle und genaue Vorhersage von multimodalen Zeitreihen entwickelt wurde.

Die Herausforderungen des autonomen Fahrens überschneiden sich erheblich mit denen der Händler. Die Navigation in dynamischen Umgebungen mit sicheren Manövern ist eine wichtige Aufgabe für autonome Fahrzeuge. Um dies zu erreichen, müssen diese Fahrzeuge ihre Umgebung erfassen und zukünftige Ereignisse auf der Straße vorhersagen. Die genaue Vorhersage der Manöver von Verkehrsteilnehmern in der Nähe, wie z. B. Autos, Fahrrädern und Fußgängern, ist jedoch ein komplexes Problem, vor allem, wenn deren Ziele oder Absichten unbekannt bleiben. In Multi-Agenten-Verkehrsszenarien wird das Verhalten eines Agenten durch komplizierte Interaktionen mit anderen Agenten bestimmt, die durch kartenabhängige Verkehrsregeln noch weiter verkompliziert werden. Es ist daher äußerst schwierig, die verschiedenen Verhaltensweisen mehrerer Akteure in einer Szene zu verstehen.

Neuere Forschungen verwenden einen vektorisierten Ansatz für eine kompaktere Szenendarstellung durch Extraktion von Vektor- oder Punktmengen aus Trajektorien und Kartenelementen. Bestehende vektorisierte Methoden haben jedoch Probleme mit der Bewegungsvorhersage in Echtzeit bei sich schnell ändernden Verkehrsbedingungen. Denn solche Methoden reagieren in der Regel empfindlich auf Verschiebungen des Koordinatensystems. Um dieses Problem zu entschärfen, werden die Szenen so normalisiert, dass sie auf den Zielagenten zentriert sind und mit seiner Bewegungsrichtung übereinstimmen. Dieser Ansatz wird problematisch, wenn die Bewegung einer großen Anzahl von Agenten vorhergesagt werden soll, da die hohen Rechenkosten für die wiederholte Normalisierung der Szene und die Neuberechnung der Merkmale für jeden Zielagenten zu einem Engpass werden. Darüber hinaus modellieren die bestehenden Methoden die Beziehungen zwischen allen Elementen über räumliche und zeitliche Dimensionen hinweg, um detaillierte Interaktionen zwischen vektorisierten Elementen zu erfassen. Dies führt unweigerlich zu einem übermäßigen Rechenaufwand, wenn die Anzahl der Elemente steigt. Da eine genaue Vorhersage in Echtzeit für die Sicherheit des autonomen Fahrens von entscheidender Bedeutung ist, sind viele Forscher bestrebt, diesen Prozess auf die nächste Stufe zu heben, indem sie einen neuen Rahmen entwickeln, der eine schnellere und präzisere Bewegungsvorhersage durch mehrere Agenten ermöglicht.

Ein solcher Ansatz wurde in dem Artikel „HiVT: Hierarchische Vektortransformation für Multi-Agenten-Bewegungsvorhersage“. Diese Methode nutzt Symmetrien und eine hierarchische Struktur für die Vorhersage von Bewegungen mehrerer Agenten. Die Autoren von HiVT zerlegen die Aufgabe der Bewegungsvorhersage in mehrere Stufen und modellieren die Interaktionen zwischen den Elementen hierarchisch mit Hilfe einer auf Transformer basierenden Architektur.

Autor: Dmitriy Gizlyk