Naukowcy z arXiv przeprowadzili kompleksowe badania porównawcze 19 różnych typów warstw sieci neuronowych na grafach (GNN), którymi posługuje się przy modelowaniu interakcji przestrzenno-czasowych w predykcji trajektorii. Celem było znalezienie najbardziej efektywnych architektur dla systemów jazdy autonomicznej, gdzie precyzyjna predykcja ścieżek ruchu uczestników ruchu jest kluczowa dla bezpieczeństwa.
Badanie wykazało, że pięć kombinacji warstw wyróżnia się wśród badanych - szczególnie dobrze radziły sobie warstwy ARMA, Chebyshev oraz te świadome topologii grafu. Okazało się też, że agregacja oparta na sumowaniu jest bardziej efektywna niż uśrednianie, a mechanizmy multi-head attention pozwalają na bogatsze reprezentacje interakcji między uczestnikami ruchu. Dodatkowo, przypisanie różnych wag dla odległości o różnych skokach w grafie istotnie poprawiło dokładność przewidywań.
Znajomość tych praktycznych wytycznych może znacznie ułatwić projektantom systemów autonomicznych konstruowanie bardziej interpretowlnych i trafnych modeli. To odkrycie ma bezpośrednie zastosowanie - lepsze przewidywanie trajektorii to bardziej bezpieczne samochody autonomiczne, a znormalizowany design GNN mógłby przyspieszyć standaryzację tej gałęzi badań na styku sztucznej inteligencji i transportu.