标签：采样 轨迹 FDE 预测 生成 Motion future Heatmap MR
贡献
- 提出一种用图像输出解决运动预测问题的方法；
- 方法中将经典CNN与注意力结合用于智能体与环境特征提取及交互；并且能够调整MR与FDE之间的看重程度而不用重新训练整个网络；
- 在Argoerse轨迹预测排行榜上第一；
模型框架
整个模型分为三部分，概率热力图生成，预测终点采样，轨迹生成；
轨迹预测流程：
概率热力图生成：可能去到的地方； 
预测终点采样，MR与FDE采样算法：从范围中采样，减少MR和FDE；
最终轨迹全连接网络生成，从当前位置到采样点回归出轨迹；
具体实现
- 概率热力图生成：
以预测物体为中心，5个语义通道：可行驶区域、车道边界、有方向的连接中心线(HSV的3通道)的栅格图通过CNN与MaxPooling下采样的特征图；
（x,y,time_stamp,has_value)四元数通过UGRU进行编码，目标智能体与其他智能体不共享权重； 智能体间交互通过注意力机制完成；最后与环境特征向量拼在一起；
通过TransposeConvolutions来上采样增大特征图尺寸，扩大输出表示的范围；
输出的热力图目标是真实轨迹点为中心的高斯分布，像素级的损失函数； - 预测终点采样：
采样的目的是使做出的选择（即预测轨迹的最终点是有更好的表现（小FDE/MR））；
在预测模式与真实轨迹间优化MR，通过最大化采样点两米圈内概率的积分，实现MR最小化；
优化FED，即在图中找到k个使下式成立的点；
采样方法：
通过一个系数平衡MR与FDE对看重程度。
- 轨迹生成：
通过另外的一个模型来生成轨迹，全连接层，输入为连接了目标位置的历史轨迹，输出未来时间段内的位置坐标；概率由热力图中两米圈的积分得；
标签：采样,轨迹,FDE,预测,生成,Motion,future,Heatmap,MR 来源： https://www.cnblogs.com/ggi2015/p/15091358.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。