标签：Motion 轨迹 Stacked Huber 散度 损失 Multimodal 区域 车辆

读Multimodal Motion Prediction with Stacked Transformers

paper | github(尚未更新代码)
贡献 | 模型框架 | 具体实现 | 其他需要注意

贡献

• 第一个使用堆叠Transformer
• RTS
• STOA

模型框架

中间的三块主干即堆叠的Transformer，分别用于提取轨迹地图及交互信息；最后也是回归轨迹和分数。采用新的基于区域的训练策略来训练网络。

具体实现

• 轨迹特征提取
  从目标车辆和临近车辆的轨迹中，提取特征。由编码器和解码器组成。
• 地图特征提取
  接受轨迹特征和地图数据（车道中心线的向量表示），输出经地图特征加权后的目标车辆轨迹特征和临近车辆轨迹特征；
• 交互特征提取
  在目标车辆轨迹特征与临近车辆轨迹特征作输入，但只解码目标车辆特征以提高效率；
• 轨迹解码
  类似于LaneGCN，两支：轨迹和分数；
• Region-based Training Strategy
  [35]告诉我们，直接回归预测轨迹，将导致模式平均问题，不能体现多模；只使用minFDE的预测轨迹来计算回归和分类损失能解决这一问题； 多模K越多，会导致模式崩溃问题； RTS即将预测轨迹归类到按照真实轨迹终点聚类而成的几个空间区域中，通过模型训练优化改善每个区域中的预测表现； 区域划分：将车辆旋转到航向指向y轴正方向，按照终点来聚类，得到7个区域； 计算归于真实轨迹所在区域的每条预测轨迹的分类回归损失，而不是最靠近的真实轨迹的那一条轨迹的损失；
• Loss Function
  用于回归损失的Huber损失、用于评分的KL散度、区域分类损失、；
  回归损失
  Huber损失： 相比平方误差损失，Huber损失对于数据中异常值的敏感性要差一些。在值为0时，它也是可微分的。它基本上是绝对值，在误差很小时会变为平方值。误差使其平方值的大小如何取决于一个超参数δ，该参数可以调整。当δ~ 0时，Huber损失会趋向于MSE；当δ~ ∞（很大的数字），Huber损失会趋向于MAE。
  KL散度
  
  KL散度: 在概率论或信息论中，KL散度( Kullback–Leibler divergence)，又称相对熵（relative entropy)，是描述两个概率分布P和Q差异的一种方法。
  区域分类损失
  鼓励到预测在正确的区域的轨迹有更高的分数，交叉伤损失函数；
  
  中间层损失
  加速训练过程 整个损失函数
  

其他需要注意

生成预测轨迹的两种方法：

• 基于概率生成模型：
• 基于预定义轨迹的方法：
• 回归轨迹

两种改善模式平均的机制：

• 轨迹提议机制
• 基于区域的训练策略

标签：Motion,轨迹,Stacked,Huber,散度,损失,Multimodal,区域,车辆
来源： https://www.cnblogs.com/ggi2015/p/15036880.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。