文献阅读2_2_G2LTraj

3 Methodology

3.1 Problem Formulation and Overview

作者提出了一种用于轨迹预测的从全局到本地的生成方法。首先，同时生成全局关键步骤t1、t9等，粒度为8。随后，中间步骤t5由t1和t9生成。再者，t3和t7分别由t1和t5、t5和t9生成。整个本地递归过程将持续进行，直到生成所有未来步骤。

Fig1: (a)像Graph- TERN这样先进的模型没有办法很好地将未来步长之间的约束表示出来，导致运动学上的预测不可行。(b)G2LTraj采用空间-时间约束来生成一致的轨迹。

3.2 Global Key Step Generation

1.interval：间隔

2.determine：确定

3.Multilayer-Perceptron：多层感知机MLP

4.Mean Square Error：均方误差MSE

5.Negative Log Likelihood Loss：负自然对数NLL

本节将一次生成智能体a等关键未来时间步长。确定关键步长的粒度L，即相邻两个关键步骤的相距时间。随后，确定关键步长必须要统一覆盖未来步长的长度。根据公式2可以生成N+1个关键步长。任何两个相邻关键步长都被认为是一个局部部分的头尾步骤。因此，可以将整个轨迹划分为n个部分，通过这个操作，可以保证累积误差不会在跨区域传播。

下一步，通过公式3预测Z（N+1）关键步骤的位置坐标。

根据Fig1显示，由于关键步骤都是同时生成，导致这些步长都缺乏相互约束，可能会导致运动学上的不可行预测。因此，通过调节他们的位置不同，引入这些关键步骤的空间约束。采用MSE是基于经验性能。

3.3 Local Recusive Generation

生成智能体a后，下一步是填充每一个本地部分的中间步骤。如果仅仅依靠头尾步骤去生成中间步骤，彼此之间的时间约束是脆弱的。

Fig(3)：仅仅依靠t5和t9来限制模型获取历史运动学信息，可能会导致似是而非的运动学不可行t7，在红色椭圆圈显示。通过结合历史运动学信息，可以将预测范围缩小到运动学上可行的范围，如黑色椭圆形所示。

Experimental Setup

三个广泛使用的数据集：ETH、UCY、nuScenes

ETH和UCY包含了5个不同的真实世界场景，有1536个行人。使用留一法来训练和评估。对于ETH和UCY的任务是基于观测到的8个步长（3.2秒），预测未来12个步长，即4.8秒。

nuScenes是一个大尺度轨迹数据集，包含了车辆和行人。nuScenes的任务是通过给定的4个步长和高清HD地图来预测未来的12个步长。

基线预测机：SGCN、STGCNN、PECNet、AgentFormer、GraphTERN、DMRGCN for ETH&UCY、AutoBot for nuScenes

评价指标：ETH&UCY：average display error、final display error。

ADE：计算平均L2所有预测轨迹之间的距离坐标和相应的地面实值坐标的误差。

FDE：最终预测的目的地坐标和地面实况之间的误差。

使用best of K策略来计算最终ADE和FDE在k=20时的值。我们在k=10时评估nuScenes的结果。

fig4: 比较每一个未来步长的累积误差。累积误差5和10分别是每个未来步骤于地面实值L2距离的平均值，分别超过5个和10个最有可能的预测值。

fig5: UCY验证集上的定性结果。黑色椭圆形表示失败的情况。