【直播预告】SFFAI 111 图神经网络专题
了解交通轨迹的行为对自主驾驶系统至关重要，尤其是在拥挤和复杂的交通场景中的安全导航。在这些场景中，准确的轨迹预测不仅可以帮助自动驾驶车辆做出明智的决定，安全地规划其未来的运动，还可以帮助监控系统检测到异常行为。本期SFFAI论坛我们邀请到了来自北京大学的曹德福同学，分享他利用图神经网络中的频域信息，进行交通轨迹预测的工作。
讲者介绍
曹德福，北京大学信息科学技术学院硕士，主要研究方向为数据挖掘，人工智能。目前已在NeurIPS（Spotlight）、ICRA等会议上发表论文4篇。
会议题目
频域信息在图神经网络中的利用-以交通轨迹预测为例
会议摘要
对于交通轨迹的短期预测，使用纯物理模型或传统的统计模型可以获得可接受的性能，因为在短时间内（即不到一秒钟），行为不太可能在很大程度上受到外部因素的影响。然而，这些方法对于更复杂的长期预测是不够的。考虑到给定的历史轨迹，由于人类的不同意图或不同实体之间的相互影响，可能会有各种可能的未来运动。预测未来轨迹的内在不确定性使得长期轨迹预测成为一项具有挑战性的任务。此外，预测系统还需要根据交通规则来判别由道路边界和管理人员划定的可穿越区域。因此，有必要设计有效的模块来模拟互动代理之间的互动，以及利用环境背景信息。在这项工作中，我们提出利用在图神经网络在频域中存在的模式，采用基于频谱分解的新图卷积方法来捕捉不同频率成分的信息。所提出的方法可以同时处理时间上的相关性和空间结构。在SDD和nuSences数据集上的实验表明，我们的方法远超过传统的图神经网络算法和基于短长时记忆模块的方法。
论文标题：
1.Spectral Temporal Graph Neural Network for Trajectory Prediction
2.Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
论文在线阅读：https://bbs.sffai.com/d/249
会议亮点
1、我们提出了一个频域时空图神经网络（SpecTGNN），用于多Agent的轨迹预测。SpecTGNN在一个统一的框架内，通过图傅里叶变换和图卷积操作，整合了序列建模与卷积网络以及频域特征提取的优势；
2、我们提出了一个SpecTGNN单元，它由两个block组成：Agent交互信息Block和环境图的信息；
3、本文提出的基于频域信息的图神经网络是普适的，有较大的可扩展性。
直播时间
2021年6月20日（周日）20:00—21:00 线上直播
关注微信公众号：人工智能前沿讲习，对话框回复“SFFAI111”，获取入群二维码
注：直播地址会分享在交流群内
现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。
SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。
