读HOME: Heatmap Output for future Motion Estimation

paper

贡献 | 模型框架 | 具体实现 |

贡献

1. 提出一种用图像输出解决运动预测问题的方法；
2. 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；
3. 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