论文笔记：TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents

论文笔记：TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents

摘要

这是百度在AAAI2019发布的一篇文章。这篇文章提出了一种基于4D-graph的方法实现复杂场景下的轨迹预测，研究对象包含行人、机动车和自行车。

实现方法

本文提出了一个基于LSTM的算法，名为 TrafficPredict 。构建了一个4D Graph，输入是轨迹序列数据，4D graph的两个维度是个体间的交互，一个维度是时间序列，另一个维度是分类。graph中每个个体都是一个节点，每个类别（总共三个类别）表示为一个超节点，节点间的关系用边表示（边包括同时刻个体间、同时刻类别间（即超节点的连接）、同时刻个体与对应类别、相邻时刻同一个体与自身、相邻时刻同一类别与自身）。
因为同类物体的移动速度、个体间交互方式比较接近，因此这种同时提取类别运动特征和个体运动特征的方法能取得一个更好的结果。

实例（个体）层 ：Instance Layer

Instance Layer 用于捕获交通中每个个体的移动模式。

1. 同类instance共享相同的权值（这里指的是temporal edges）；
2. 总共有3个类别，因此有3个不同的LSTM（同样指的是temporal edges）；
3. 所有类别共享spatial edges的权值（即个体与个体间的相互作用）；

类别层：Category Layer

用于学习相同类别个体的移动模式，从而更好地预测每个个体的轨迹。类别层包括四个部分：超节点（代表一个特定的类别）、个体与对应超节点之间的边、相邻时刻超节点与自己的temporal edges。第一步先将instance LSTM提取到的特征作为category layer的输入，以便让类别层提取出同一类别的个体的运动模式；之后将category layer的输出反作用于instance layer，从而改善instance layer的预测结果。

预测评估

假设交通参与者（行人、自行车、汽车）的位置服从双变量高斯分布（bivariate Gaussian distribution）
( x i t , y t i ) ∼ N ( μ i t , σ i t , ρ i t ) (x^t_i,y^i_t) ∼ N(μ^t_i,σ_i^t,ρ^t_i)