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