分享行人、车辆的行为及轨迹预测代码（pytorch）

该资料在pytorch下实现，主要用来利用Lstm对行人或车辆目标障碍物的行为或者轨迹进行预测。

如有需求获取源代码和相关资料可以私聊

资料获取后可后期咨询！！！

---

代码包含几种不同的实现形式：

多变量多步长多输出直接预测（直接多输出）

如：利用行人或者车辆障碍物的历史5帧的纵向位置、车速、加速度；横向位置、速度、加速度；方向盘转角、到左右车道边界的横向距离等参数来预测未来2帧的行为或轨迹

 

多变量多步长滚动预测（单步滚动预测）

如：利用行人或者车辆障碍物的历史5帧的纵向位置、车速、加速度；横向位置、速度、加速度；方向盘转角、到左右车道边界的横向距离等参数来预测未来2帧的行为或轨迹。首先利用[1…5]预测[6’]，然后利用[2… 6’]预测[7’]，为了得到多个预测输出，就直接预测多次，并且在每次预测时将之前的预测值带入。这种方法的缺点是显而易见的：由于每一步的预测都有误差，将有误差的预测值带入进行预测后往往会造成更大的误差，使误差不断累积。

 

多模型单步预测

如：利用行人或者车辆障碍物的历史5帧的纵向位置、车速、加速度；横向位置、速度、加速度；方向盘转角、到左右车道边界的横向距离等参数来预测未来2帧的行为或轨迹，那么可以训练两个模型分别根据[1…5]帧数据预测第[6]帧轨迹和第[7]帧轨迹。若需要进行n步预测，就训练n个LSTM模型

 

多模型滚动预测

如：利用行人或者车辆障碍物的历史5帧的纵向位置、车速、加速度；横向位置、速度、加速度；方向盘转角、到左右车道边界的横向距离等参数来预测未来2帧的行为或轨迹，首先需要按照多模型单步预测的方式训练2个模型，然后模型1利用[1…5]预测[6’]，然后模型2利用[2…6’]预测[7’]。

 

seq2seq

seq2seq由两部分组成：Encoder和Decoder。seq2seq的输入是一个序列，输出也是一个序列。采用了LSTM将原始数据进行编码，然后将LSTM的最后的隐状态和单元状态返回。解码器同样也由LSTM组成，不过解码器的初始的隐状态和单元状态是编码器的输出。此外，解码器每次输入都是上次的输出。

 

多任务学习（多种变量输入多种变量输出）

上面5种方法都是“单变量输出”，多变量输入如上面几种方法中一样，输入的参数为有很多种，比如障碍物参数或者道路参数等，多变量输出是指：一次性输出多个变量的预测值。比如利用前5帧的障碍物参数和道路参数来预测接下来2个时刻的[纵向位置x、横向位置y]。实际上，可以将多个变量的输出分解开，看成多个任务，也就是多任务学习，其中每一个任务都是前面提到的多变量输入单变量输出。具体来讲，假设需要预测2个变量，输出在经过LSTM后得到output，将output分别通过2全连接层，就能得到2个输出。得到2个输出后，就可以计算出2个损失函数，对这2个损失函数，将其简单求平均以得到最终的损失函数。