MTR论文阅读

https://blog.csdn.net/qq_41897558/article/details/140174471

文章主要亮点：

1. 模型输入有agent和map，形式与vectornet类似，但是提出了使用pointnet进行编码
2. 使用局部编码，使用k邻近算法进行筛选，然后进行MHSA
3. 对预测轨迹进行初步解码之后再编码，对未来的轨迹进行交互建模
4. 采用两种类型的查询对运动预测进行建模，将全局意图定位（静态intention）和局部运动细化（动态intention）进行联合优化。 它不仅可以通过特定于模式的运动查询对来稳定训练，还可以通过迭代收集细粒度的轨迹特征来实现自适应运动细化。
5. 全局意图定位（静态intention）使用数据集对goal点进行聚类获得
6. 局部运动细化（动态intention）最开始使用全局意图定位，然后使用迭代解码方式来进行更新，通过迭代收集细粒度的轨迹特征来实现自适应运动细化，使用了refline的方法（将输出encoding, 然后再用相同的decoder进行解码）
7. 将静态和动态的intention concat作为query, 与agent和map分别做 MHSA, 然后使用MLP出多模态轨迹，用GMM算loss