Abstract

          本篇论文主要做了三个方面的事情:

1. 特征工程 

        不同与以前的方法，将车辆行驶收集的信息用一张全局的图像来表示，论文提出用向量表示车辆行驶过程中收集的各种信息。

2. 层次图神经网络

        论文构建了一种层次图神经网络，层次，即首先各个实体比如车辆、红绿灯等自身构建一个子图，然后将这些子图再连接成一层图。

3.辅助任务

        为了进一步提高向量网络学习上下文特征的能力，作者提出了一种新的辅助任务，即对图随机进行mask，然后对mask部分做预测，也就是一个良好的网络结构不仅能够预测好其本身的任务，而且能够对图中缺失的结点做好预测。   

1. Introduction     

   （1） 如何将车辆行驶收集的信息向量化表示 

        作者指出：道路特征的地理范围可以是地理坐标中的点、多边形或曲线。例如，一个车道边界包含多个构建样条曲线的控制点；人行横道是由多个点定义的多边形；停止标志由单个点表示。所有这些地理实体都可以紧密地近似为由多个控制点及其属性定义的多段线。同样，运动主体的动力学也可以根据其运动轨迹用多段线来近似。所有这些多段线都可以表示为向量的集合。

        因此，可以将这些信息用具有各种属性的结点和线构成图，以实现向量化表示。比如以车辆在不同时间点行驶的属性为结点，组成车辆的行驶