要带本科毕设嘛，所以对这个要多少了解⼀下，然后就搜索了⼀下，之前搜索过⼀次，没发现什么啊，这次⼀搜索发现不错的东西，特此记录，主要是转载。
以下内容转载⾃CVPR 2019轨迹预测竞赛冠军⽅法总结
赛题简介
轨迹预测竞赛数据来源于在北京搜集的包含复杂交通灯和路况的真实道路数据，⽤于竞赛的标注数据是基于摄像头数据和雷达数据⼈⼯标注⽽来，其中包含各种车辆、⾏⼈、⾃⾏车等机动车和⾮机动车。
训练数据：每个道路数据⽂件包含⼀分钟的障碍物数据，采样频率为每秒2赫兹，每⾏标注数据包含障碍物的ID、类别、位置、⼤⼩、朝向训练数据
信息。
测试数据：每个道路数据⽂件包含3秒的障碍物数据，采样频率为每秒2赫兹，⽬标是预测未来3秒的障碍物位置。
测试数据
评价指标
平均位移误差
平均位移误差：Average displacement error（ADE），每个预测位置和每个真值位置之间的平均欧式距离差值。
终点位移误差：Final displacement error（FDE），终点预测位置和终点真值位置之间的平均欧式距离差值。
终点位移误差
由于该数据集包含不同类型的障碍物轨迹数据，所以采⽤根据类别加权求和的指标来进⾏评价。
现有⽅法
这次竞赛要解决的预测问题不依赖地图和其他交通信号等信息，属于基于⾮结构化数据预测问题，这
类问题现在主流的⽅法主要根据交互性
我愿意平凡的陪在你身旁依赖预测。
将其区分为两类：1. 独⽴预测
独⽴预测，2. 依赖预测
独⽴预测是只基于障碍物历史运动轨迹给出未来的⾏驶轨迹，依赖预测是会考虑当前帧和历史帧的所有障碍物的交互信息来预测所有障碍物未来的⾏为。
考虑交互信息的依赖预测，是当前学术界研究⽐较多的⼀类问题。但是经调研总结，我们发现其更多的是在研究单⼀类别的交互，⽐如在⾼速公路上都是车辆，那预测这些车辆之间的交互；再⽐如在⼈⾏道上预测⾏⼈的交互轨迹。预测所有类别障碍物的之间的交互的⽅法很少。以下是做⾏⼈交互预测的两个⽅法模型：
杨丞琳的图片⽅法1. Social GAN，分别对每个障碍车输⼊进⾏Encoder，然后通过⼀个统⼀的Pooling模块提取交互信息，再单独进⾏预测。
⽅法1
⽅法2. StarNet，使⽤⼀个星型的LSTM⽹络，使⽤Hub⽹络提取所有障碍物的交互信息，然后再输出给每个Host⽹络独⽴预测每个障碍⽅法2
物的轨迹。
我们的⽅法
数据分析
拿到赛题之后，我们⾸先对训练数据做了分析，由于最终的⽬标是预测障碍物位置，所以标注数据中的障碍物⼤⼩信息不太重要，只要根据类别来进⾏预测即可。
其次，分析朝向信息是否要使⽤，经统计发现真值标注的朝向信息⾮常不准确，从下图可以看到，⼤部分的标注⽅向信息都和轨迹⽅向有较⼤差距，因此决定不使⽤朝向信息进⾏预测。
然后，分析数据的完整性，在训练过程中每个障碍物需要12帧数据，才可以模拟测试过程中使⽤6帧数据来预测未来6帧的轨迹。但是在真实搜集数据的时候，没有办法保证数据的完整性，可能前后或中间都可能缺少数据，因此，我们根据前后帧的位置关系插值⽣成⼀些训练数据，以填补数据的缺失。
最后，对数据做了增强，由于我们的⽅法不考虑障碍物之间的交互，仅依赖每个障碍物⾃⾝的信息进⾏训练，因此障碍物轨迹进⾏了旋转、反向、噪声的处理。
模型结构
由于这次轨迹预测的问题是预测所有类别的轨迹，所以使⽤解决单⼀类别的轨迹预测模型不适⽤于该问题，⽽且如果把所有的物体放在单⼀的交互模型中来，不能正确提取出不同障碍物之间的交互特征。我们尝试了⼀些⽅法也证实了这⼀点。
因此在竞赛中，我们使⽤了多类别的独⽴预测⽅法，⽹络结构如下图，该⽅法针对每个类别构造⼀个LSTM的Encoder-Decoder模型，并且在Encoder和Decoder之间加⼊了Noise模块，Noise模块⽣成固定维度的⾼斯噪声，将该噪声和Encoder模块输出的LSTM状态量进⾏连结作为Decoder模块的LSTM初始状态量，Noise模块主要作⽤是负责在多轮训练过程中增加数据的扰动，在推理过程中通过给不同的Noise输⼊，可以⽣成多个不同的轨迹。
最终，需要在不同的轨迹输出中选择⼀个最优的轨迹，这⾥采⽤了⼀个简单的规则，选择预测的轨迹⽅向和历史轨迹⽅向最接近的轨迹作为最终的轨迹输出。
实验结果
我们仅使⽤了官⽅提供的数据进⾏训练，按照前述数据增强⽅法先对数据进⾏增强，然后搭建⽹络结构进⾏训练，Loss采⽤Weighted Sum of ADE（WSADE），采⽤Adam优化⽅法，最终提交测试的WSADE结果为1.3425。
⽅法WSADE我们的⽅法1.3425StarNet（基于交互的⽅法）1.8626TrafficPredict（ApolloScape Baseline⽅法）8.5881
总结
在这次竞赛中，我们尝试了使⽤多类别的独⽴预测⽅法，通过对数据增强和加⼊⾼斯噪声，以及最终⼈⼯设计规则选择最优轨迹的⽅法，在这次障碍物轨迹预测挑战赛（Trajectory Prediction Challenge）中获得了较好的成绩。但是，我们认为，基于交互的⽅法⽤的好的话应该会⽐这种独⽴预测⽅法还是要好，⽐如可以设计多类别内部交互和类别间的交互。另外，也关注到现在有⼀些基于图神经⽹络的⽅法也应⽤在轨迹预测上，今后会在实际的项⽬中尝试更多类似的⽅法，解决实际的预测问题。
参考⽂献
Yanliang Zhu, Deheng Qian, Dongchun Ren and Huaxia Xia. StarNet: Pedetrian Trajectory Prediction using Deep Neural
Network in Star Topology[C]//Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2019.
Gupta A, Johnson J, Fei-Fei L, et al. Social gan: Socially acceptable trajectories with generative adversarial
networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018: 2255-2264.
someonelikeyou歌词丁禹兮身高Apolloscape. Trajectory dataset for urban traffic. 2018. apolloscape.寻人启事片尾曲
其他链接：
我是歌手 林志炫 烟花易冷基于神经⽹络StarNet的⾏⼈轨迹交互预测算法
李明晓:⼀种基于模糊长短期神经⽹络的移动对象轨迹预测算法
发布评论