自動運転のための解釈可能でエッジ展開可能な時空間軌道予測

本研究は、自動運転システムにおける軌道予測の解釈可能性とエッジ展開可能性という課題に対処するため、時空間軌道予測フレームワークを提案する。提案手法は、ActorNetにTemporal Convolutional NetworkとMulti-Head Self-Attention (TCN–MHSA)を統合し、Lane Graph Attention Network (LaneGAT)による構造化空間推論、およびActor–Lane相互作用のためのマルチステージFusionNetを組み込んでいる。モデルの解釈性を向上させるため、包括的なExplainable AI (XAI)評価フレームワークが導入され、時間的感度分析、相互作用認識摂動研究、空間影響分析、勾配ベースの特徴量属性評価などが含まれる。これにより、モデルが軌道予測中に時間的運動依存性、近隣車両の相互作用、環境コンテキストをどのように捉えるかについての洞察を提供する。実世界での展開可能性は、NVIDIA Jetson Xavier NXプラットフォーム上で、混合精度推論やグラフ複雑性削減技術などのエッジ対応最適化戦略を用いて調査され、12.86Wの消費電力で125.74msのレイテンシを達成した。Argoverse 1データセットでの実験評価では、最小平均変位誤差(minADE) 0.90m、最小最終変位誤差(minFDE) 1.50m、ミス率(MR) 0.19、DAC = 0.95を達成し、低消費電力と実用的な推論スループットで、組み込みハードウェア制約下での精度と展開可能性のオペレーティングポイントを確立した。