lyft5 prediction提取agent和ego数据踩的坑

lyft

schma
https://woven-planet.github.io/l5kit/data_format.html

lyft数据筛选说明
有两个文件可以进行设置
1.visualisation_config.yaml
设置方法：filter_agents_threshold: #识别出来的概率
=0.0 ->all ;
=1 ->none;
2.dataset中含有的agent_mask
这个是2.agent_mask打印出来的数据
past/future | 0 | 10 | 30 | 50 |
±------------±--------±-------±------±------+
| 0 | 1893736 | 116054 | 64972 | 42984 |
| 10 | 116054 | 83760 | 52277 | 36140 |
| 30 | 64972 | 52277 | 36140 | 26364 |
| 50 | 42984 | 36140 | 26364 | 19560 |
解释：agent有10历史数据和30的未来数据的数量有：52277 个

这个是数据集已经定义好的，而且官方推荐在训练时，使用agent_mask进行筛选
具体实现过程：
agent_mask含有两列，行数与总的scensor×frame相同。
第一列记录了为该时刻agent 之前出现了多少次，
第二列记录了为该时刻agent 之后出现了多少次，

当前的配置是只有agent存在了至少10次且未来还存在一次才会被保留
举个例子：
agnet从1s出现，第20s离开。1s为1帧。
当t=5时，agent共出现5次，筛掉
当t=11时，agnet共出现11次，入选
当t=20时，agent未来次数为0,晒掉。

agent——mask 数据截图
在这里插入图片描述

参考文档：https://woven-planet.github.io/l5kit/data_format.html#short-introduction-to-zarr 里面的AgentDataset小节

总结：agent筛选是为了把筛选出我们更需要关心的agent。

dataset 文件存放：
meta.json需要从semantic_map剪切出来放到上层目录的l5kit_data里面
yaml文件：

prediction-dataset/
      +- scenes/
            +- sample.zarr
                  +- train.zarr
                  +- train_full.zarr
      +- aerial_map/
            +- aerial_map.png
      +- semantic_map/
            +- semantic_map.pb
      +- meta.json

调用agent_dataset = AgentDataset(cfg, zarr_dataset, rast)得到agent没有分类（category）
需要在AgentDataset添加下面的函数：

tmp = self.get_frame(scene_index, state_index, track_id=track_id)
        tmp["label_probabilities"] =self.dataset.agents[index]["label_probabilities"] 

在这里
图片描述