海里的果

分享的论文年代实在是越来越久远了，这篇文章是2019年初的论文了，是4年前的论文。回顾这样的论文，也就是大致看看思路，回顾下当时论文的关注点。

摘要的意思就是“我是一篇综述，我批判性比较了最近两三年的预测模型，总结了常见的数据集和对应的评价方法”。引言部分中有以下一些总结（ps: 基本是边看边翻译，有条件还是自己看下原文）：预测任务包括两个方面，一是其他道路参与者的意图，参与者包括车辆，行人，骑行人等，意图是指直行左转右转（这就是意图预测或者行为预测）；第二个方面就是参与者的轨迹预测。预测任务表现好可以帮助planning模块，避免交通事故，提升安全性，许多公司都专门建立的预测的pipeline。

老文章分享多了，来看一篇预测领域比较新的论文，是2021年下半年的论文SCENE TRANSFORMER。视觉领域在VIT出来后的21年，各种变种的Vit如雨后春笋一般出现，迅速在视觉领域攻城掠地。到现在TRANSFORMER已经是各个领域最normal的一种结构了，预测领域也不例外。文章提出了一种对多目标轨迹预测的统一的框架，直观感觉，与之前最大的不同，就是大量使用attention结构进行信息交互。

MultiPath2019年的一篇论文，也比较久远了，来自waymo，也是这个领域的一篇经典论文。这篇论文当时看的时候自己其实没有完全理解，似懂非懂，现在再回来回顾一下。其做法现在来看非常容易理解，文章认为轨迹的多模，或者说不确定新，来源于两部分，意图的不确定性和控制的不确定性。意图的不确定性，这部分，用trajectory anchor 解决， 在给定一个意图后，控制也会对未来的预测带来不确定性，这种不确定性认为在每个时刻都是服从正态分布的，这种不确定性就用参数化的与锚轨迹之间的offset来表示。

添加链接描述趁着刚写完上篇，状态还在，快马加鞭，再回看一个2020年（这时代算是较古老了）的经典做多模轨迹预测的论文Covernet，文章思路不复杂，也是属于离散化，anchor-based，细节就不写太详细了，整体就算是回顾下预测领域data driven的一些发展历史吧。文章主要创新点，就在于把预测轨迹的问题，看作了一个离散轨迹簇下的分类问题（当然anchor-based这也不是首创）。这个离散轨迹，要保证对可能的状态空间的覆盖，也要满足车辆动力学方面的约束。

上篇讲了dense TNT，把sparse 输出转换为dense的，获得更多有用的信息，2021年也有一篇论文就是本文的HOME，也使用了dense的heatmap输出，有着相似的思想。不过这篇文章没有采用vectornet的编码形式，还是用的渲染的bev图作为encoder的输入。（Thomas还发表了GOHOME，改为了vector形式的输入，这是后话）。下面让我们看一下这篇论文是如何训练和利用heatmap的。

承接上篇的TNT，紧接着来回顾下Hang Zhao老师团队的Dense TNT。Dense TNT是21年发表的到现在一年半之久了，目前源码也放出来了（但比较乱, 建议还是不看了，理解思想最重要）它是在TNT基础上的改进。如摘要提到的那样，以前的anchor-based方法，需要预先定义好一个适合的预先撒goal点的方法，并且要设计相应的goal点选择算法（主要是为了得到多模的输出）。

车辆轨迹预测论文阅读