自动驾驶---LSTM模型用于轨迹预测

已于 2025-01-17 10:20:26 修改
阅读量1.6k 收藏 14
点赞数 28
分类专栏： 自动驾驶感知&&端到端 文章标签： 自动驾驶 lstm 人工智能 自然语言处理
于 2025-01-14 08:15:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Janeiskangs/article/details/144160432
版权

1 前言

        在下面几篇博客中，笔者简单介绍过Transformer，Transformer的内部结构虽然比较清晰，但对于入门者来说还是复杂了一些。

        《人工智能---什么是Transformer?》

        《自动驾驶---视觉Transformer的应用》

        《自动驾驶---Parking端到端架构》中介绍的轨迹Decoder模块

        本篇博客和读者朋友们探讨一种比较早的模型（理解起来也相对容易一些）：LSTM（Long Short-Term Memory，长短时记忆网络） ，是一种特殊的循环神经网络࿰

了解本专栏 订阅专栏 解锁全文
（7-5-3）行为预测算法：Social LSTM轨迹预测算法——训练模型
码农三叔
03-27 977
通过定义和调用多个函数，该文件实现了对轨迹数据集的训练和验证，输出训练过程中的损失信息，并保存训练好的模型。（2）定义函数train函数，功能是实现模型的训练过程，遍历训练数据集，计算损失并进行反向传播更新模型参数。该函数处理轨迹数据的批量训练，计算损失函数，并更新模型权重，记录训练过程的性能指标。（4）调用函数main，这是程序的入口点，负责整个轨迹预测模型的训练过程。（1）定义主函数main，主函数负责整个训练流程的入口，包括参数解析、数据集加载、模型初始化、训练和验证循环，以及模型保存等功能。
【PyTorch实战】用LSTM预测物体运动轨迹的二维坐标（附完整代码）
最新发布
weixin_43745234的博客
04-09 496
模型结构非常简洁：LSTM 后接一个线性层，输出二维坐标。self.linear = nn.Linear(hidden_size, 2) # 输出 x 和 y 坐标out = self.linear(out[:, -1, :]) # 取最后一个时间步输出return out本文演示了如何用 LSTM 网络预测二维轨迹点。虽然我们使用了简化的正余弦函数作为轨迹，但整个流程同样适用于真实的物体轨迹预测任务。替换为真实目标轨迹坐标，如手势轨迹、无人机飞行数据；加入速度或时间戳等辅助信息；
自动驾驶轨迹预测--基础知识篇
qq_43469443的博客
07-29 1400
在对目标进行预测后，规控便可根据预测信息进行自车的路径规划，并做出决策对可能出现的危险情况进行制动或发出告警，这便是轨迹预测模块存在的意义。模块的输入为感知模块提供的目标track的state信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，输出为未来一段时间的轨迹预测（0-5s的时间长度）[4] 意图预测： 将障碍物本身的编码、每条车道的编码以及环境编码拼接到一起，然后进行Softmax操作，预测障碍车将来选择每条车道的概率。输出： 选择每条车道的概率。
通俗理解LSTM
tinstone的博客
03-28 2431
介绍LSTM主要组成及公式解析
自动驾驶（十八）---------深度学习LSTM
zhouyy858
08-09 1万+
LSTM是RNN的一种变体，它拥有着解决长期依赖问题的能力。 与RNN相比，LSTM用cell取代了内部存储，它将数据维护在这个cell中，被称为cell state。这个cell state贯穿整个LSTM架构，仅仅只有少量的线性交互，这就使得信息可以在传递的过程中保持不变。 ...
LSTM学习三维轨迹的Python实现
m0_72958694的博客
12-16 1310
长短期记忆网络（LSTM）是一种强大的递归神经网络（RNN），广泛应用于时间序列预测、自然语言处理等任务。在处理具有时间序列特征的数据时，LSTM通过引入记忆单元和门控机制，能够更有效地捕捉长时间依赖关系。本文将详细介绍如何使用LSTM来学习和预测三维轨迹，并提供详细的Python实现示例。
LSTM卫星轨道预测(一)
xin__xiao的博客
11-27 1535
正则表达式提取数据：计算时间特征： 模拟时间周期的特性，有助于模型捕捉卫星轨迹的周期性变化。 计算速度和加速度： 加速度 , , ：坐标的二阶差分。 数据合并 将所有 文件解析后的数据合并为一个完整的 ： 保存数据 将合并数据保存为 CSV 文件： 2. 数据加载与选择 加载数据 使用 缓存处理后的 CSV 数据： 用户选择 用户通过 Streamlit 的 选择感兴趣的卫星编号： 特征完整性检查 确保所有特征列（如 , , , , , ）完整，否则报
基于LSTM的交通工具轨迹预测
SJJSQ的博客
06-02 1万+
利用lstm预测交通工具轨迹
使用LSTM进行轨迹预测：TommyGong08的开源项目详解
gitblog_00071的博客
04-24 3708
使用LSTM进行轨迹预测：TommyGong08的开源项目详解 去发现同类优质开源项目:https://gitcode.com/ 在这个数据驱动的时代，对移动物体的轨迹预测已经成为各种应用场景的核心，比如智能交通、无人机导航和运动分析等。在GitCode上开源了一个基于LSTM（长短期记忆网络）的轨迹预测项目，它为开发者提供了一种高效且灵活的工具，以理解和实现序列数据分析。 项目简介 此项目是一个...
基于 LSTM 的船舶轨迹预测，单步预测
热门推荐
fyuhao的博客
12-06 1万+
基于 LSTM 的船舶轨迹预测，单步预测
lstm:基于theano的LSTM-RNN用于轨迹预测
05-18
信息技术 用于轨迹预测的LSTM-RNN网络。 相依性 python-2.7.12 平台 Windows 10（64位） IntelliJ IDEA 2017.2.6版 档案文件 文件 描述 更改 每次提交更改日志。 default.config 默认执行配置为dict字符串（纯文本）。 test.py 运行默认测试的演示脚本。 config.py 涉及配置处理的方法。 utils.py 实用程序方法，包括文件操作，断言，日志记录，交互... dump.py 预测结果转储和平移规则转储的方法。 lstm / __ init__.py lstm模块的初始化文件。 lstm / sampler.py Class Sampler设计用于跟踪样本的读取，加载，保存和更新。 lstm / model.py 实现网络的Class SocialLSTM 。 分辨率/跟
论文研究-基于LSTM神经网络融合用户相似性的移动轨迹预测 .pdf
08-14
基于LSTM神经网络融合用户相似性的移动轨迹预测，童凯南，林彦，随着智能设备和位置采集技术的普及，积累了大量轨迹数据。通过学习人群的移动轨迹，可以获得其移动规律，基于此信息进行地点预测
深度学习方法预测车辆轨迹
11-13
采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。
基于GNN与LSTM的车辆轨迹预测：使用NGSIM US-101数据集的Python实现
04-07
使用场景及目标：适用于研究和开发自动驾驶系统中的车辆轨迹预测模块，旨在提高预测准确性，特别是在复杂的城市道路环境中。 其他说明：完整的代码和预训练模型已托管于GitHub，方便读者复现实验结果。文中提到的...
自动驾驶---不依赖地图的大模型轨迹预测
智能汽车人的博客
03-05 1332
本篇博客通过一篇论文的介绍和笔者自身的理解来看，MFTP为自动驾驶轨迹预测领域提供了一种新的视角，即在不依赖高清地图的情况下，通过知识蒸馏和层次编码来实现有效的轨迹预测。在模型压缩和轻量化中，这种方法有望在自动驾驶技术的发展中发挥重要作用，并为未来相关研究提供了新的方向。
自动驾驶---基于深度学习模型的轨迹预测
智能汽车人的博客
02-17 1496
本文只是简单阐述了大模型在轨迹预测方向的应用，但是随着技术的发展，目前预测-决策-规划模型一体化的趋势愈加明显，甚至已经量产，这也是自动驾驶技术进化的魅力。了解大模型也是未来自动驾驶工程师的必修课之一。
【lstm预测】基于LSTM实现人行为轨迹预测matlab代码
qq_59747472的博客
10-29 4040
1 简介 LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。​ 2 部分代码 clc;clearall;closeall; %synthetic reach data from LQG 2 joint controller load('dat3.mat') loadnetIMtoAng.mat loadnetAngToPos.mat YPred=predict(...
SR-LSTM：行人轨迹预测的精准之选
gitblog_00949的博客
09-13 1368
SR-LSTM：行人轨迹预测的精准之选 项目地址:https://gitcode.com/gh_mirrors/sr/SR-LSTM 项目介绍 SR-LSTM（State Refinement LSTM）是一款专为行人轨迹预测设计的深度学习模型，该模型在2019年的CVPR会议上首次亮相，并因其卓越的预测精度和高效的训练性能而备受关注。SR-LSTM通过引入状态细化机制，显著提升了传统LSTM在处...
自动驾驶轨迹预测20年发展全面回顾（物理方法/机器学习/深度学习/强化学习）
scott198512的博客
12-20 2815
自动驾驶轨迹预测方法包括传统物理方法、机器学习、深度学习20年回顾性总结
lstm轨迹预测
03-17
### 基于LSTM的轨迹预测方法 #### LSTM简介 长短时记忆网络（Long Short-Term Memory, LSTM）是一种特殊的循环神经网络（Recurrent Neural Network, RNN），能够学习长期依赖关系并有效解决传统RNN中的梯度消失问题[^1]。 #### 数据准备 在进行轨迹预测之前，需要准备好输入数据。通常情况下，轨迹数据可以表示为一系列坐标点 $(x_t, y_t)$ 或其他特征向量形式。为了适应LSTM的时间序列特性，这些数据应被转换成适合模型处理的形式： - 输入形状：$(样本数, 时间步长, 特征维度)$。 - 输出目标：下一时刻的位置或其他相关属性。 以下是Python中常见的数据预处理方式： ```python import numpy as np def create_dataset(data, time_steps=1): X, y = [], [] for i in range(len(data)-time_steps): X.append(data[i:i+time_steps]) y.append(data[i+time_steps]) return np.array(X), np.array(y) # 示例数据 (假设每条轨迹有两维特征) data = np.random.rand(100, 2) # 随机生成100个二维坐标点 X, y = create_dataset(data, time_steps=10) # 使用过去10个点来预测下一个点 ``` #### 构建LSTM模型 Keras提供了简单易用的API用于构建LSTM模型。以下是一个基本的LSTM架构示例： ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense model = Sequential() model.add(LSTM(units=50, activation='relu', input_shape=(X.shape[1], X.shape[2]))) model.add(Dense(2)) # 输出层有两个节点，对应(x,y)坐标 model.compile(optimizer='adam', loss='mse') model.summary() ``` #### 训练模型 通过调用`fit()`函数即可开始训练过程。注意调整批量大小和迭代次数以获得最佳效果。 ```python history = model.fit(X, y, epochs=50, batch_size=32, validation_split=0.2) ``` #### 测试与评估 完成训练后，可利用测试集验证模型表现，并计算均方误差(MSE)、平均绝对误差(MAE)等指标。 ```python test_data = np.random.rand(20, 2) # 新的测试轨迹片段 X_test, y_test = create_dataset(test_data, time_steps=10) y_pred = model.predict(X_test) mae = np.mean(np.abs(y_pred - y_test)) print(f"Test MAE: {mae}") ``` #### BiLSTM扩展 双向LSTM（Bidirectional LSTM, BiLSTM）能够在正反两个方向上捕捉时间序列的信息，从而可能提升预测精度。其定义如下所示： ```python from tensorflow.keras.layers import Bidirectional model = Sequential() model.add(Bidirectional(LSTM(units=50, activation='relu'), input_shape=(X.shape[1], X.shape[2]))) model.add(Dense(2)) model.compile(optimizer='adam', loss='mse') model.summary() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

智能汽车人

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值