Res-GCN

TPCNN旨在通过FECNN的结果生成未来的轨迹。结果既包括行人运动特征，也包括与其他交通代理商的社交互动。我们直接在V𝑠𝑡上进行卷积运算，再次得到具有残差架构的预测轨迹，即：
值得注意的是，在第一TPCNN层中，我们需要将V𝑠𝑡中的一个维从𝑇𝑜𝑏𝑠扩展到𝑇𝑝𝑟𝑒𝑑，以生成苛刻的数据帧。

我们旨在实现Res-GCNN的车载应用，因此其参数大小和实时性能具有重要意义。
实验结果示于表2 [21]。对于在ADV上的车载应用，每帧消耗的推理时间应少于0.1秒，因为车辆通常以较快的速度行驶，并且需要时间进行适当的操纵以避免碰撞。快速的推理速度为ADV提供了更多的时间来执行此类操作。
参数大小决定了模型训练过程的时间成本，而小尺寸意味着它花费更少的时间来完成模型训练。从表1中可以看出，我们的模型具有最少的参数和最快的推理速度，这使Res-GCNN具有强大的在线功能
表6列出了我们的模型与可以作为基准的公开模型之间的速度比较。我们之所以能够获得这些结果，是因为我们克服了以前的方法的两个局限，这些方法通过模型的设计使用了循环架构和聚合机制。

该手稿提出了行人轨迹预测的原始方法。新方法Res-GCNN主要由两个子模块FECNN和TPCNN组成。 FECNN子模块直接使用员工图模型来提取场景特征，该场景特征由轨迹信息和轨迹之间的相应交互组成。 TPCNN子模块对FECNN子模块的时空结果采用卷积运算，以预测未来的轨迹。它们都应用残差结构来解决特征中线性图案的学习。同时，通过卷积映射解决了非线性模式的学习。值得注意的是，我们的模型实现了最小的参数大小和最快的推理速度，从而使其具有强大的实时性能。此外，Res-GCNN对FED指标进行了重大改进，并获得了次优ADE指标。未来的工作将集中于将Res-GCNN扩展到其他交通代理，例如汽车，骑自行车的人，卡车等。此外，将付出更多的努力来提出针对三种故障模式的解决方案。