讀 Trajectron++: Dynamically-Feasible TrajectoryForecasting With Heterogeneous Data
阿新 • • 發佈:2021-07-11
讀 Trajectron++: Dynamically-Feasible TrajectoryForecasting With Heterogeneous Data
paper
github
貢獻
模型框架
具體實現
其他需要注意
-
貢獻
- 異構資料如何融合;
- 提出一種考慮動力學約束基於學習的多智慧體軌跡預測方法;
-
模型框架
特徵提取包括對智慧體本身歷史軌跡、智慧體與智慧體之間的關係以及環境資訊的提取;此外在訓練階段,還用到了主車規劃的未來軌跡用於訓練;
生成潛在變數z;
GRU解碼得到軌跡; -
具體實現
-
圖構建:
- 圖節點:每一個智慧體都是一個節點;智慧體種類不同,節點種類不同,大致分車和人;每個節點的歷史軌跡作為其特徵;
- 圖邊: 節點與節點間的互動構成邊;有方向,用於表示節點間不對稱的影響;影響程度由l2距離來表示;
-
網路構成:
- 智慧體歷史特徵提取: LSTM對歷史軌跡處理;
- 智慧體之間的互動: 在同類型邊中,特徵累加求和解決不同場景不同智慧體數量的問題;聚合的特徵由LSTM進行編碼;每一種型別的邊均有對應的LSTM特徵提取網路;不同型別的邊之間,通過注意力實現整個場景中,智慧體之間的互動;
- 地圖特徵提取: 這也是體現異構資料融合的地方;將柵格化地圖CNN卷積後,經FCN提取成地圖特徵;該種方式不止可用於柵格化圖片,甚至是點雲、攝像頭影象、行人骨架資料等資料均可用這種方式提取;
- 規劃軌跡: 主車的規劃軌跡利用LSTM編碼參與訓練;
- 特徵融合: 上述特徵直接拼接在一起,經過FCN的壓縮,獲得潛在變數z,其直接對應著目標分佈;
- 軌跡預測:由潛在變數z經過GRU解碼出二維高斯分佈的引數,經動力學模型獲得預測的軌跡;
-
-
其他需要注意
- 沒整明白迴歸的方法和這種生成的方法到底啥不一樣阿,不都是提取特徵,融合,解碼?差在融合這一步?
- 沒有損失函式,生成的方法不用損失函式?