Multi-Modal Trajectory Prediction of Surrounding Vehicles with Maneuver based LSTMs --笔记

《Multi-Modal Trajectory Prediction of Surrounding Vehicles with Maneuver based LSTMs》–笔记

方向：用LSTM预测某个车辆的轨道，基于的是高速公路周边车辆。
dataset:NGSIM US-101[2]和I-80[3]
input：预测车辆以及周边车辆的坐标值,tensor
X表示了t时刻之前每个时刻的预测车辆本身x0与周边6辆车的位置坐标。

output:输出当前y的位置

model:黑色是预测车辆，横向（lateral）–左中右三车道，纵向（longitudinal）–normal/brake两状态

model：
maneuver（机动）：横向和纵向机动类别；
【横向为：车辆定义为变换状态，实际交叉时间内保持±4s;纵向分为正常驾驶/制动，预测时的平均速度小于其速度0.8倍时，定义为制动】
Trajecrtory（轨道） LSTM encoder-decoder:decoder 在每一时间输出一个 5-D vector Θ(t)（5个状态？？？）【二元高斯分布】，给出预测车辆的未来瞬间的分布；单模态机动无关的轨迹分布；
Maneuver dependent predictions（机动预测）：六个机动类的多模态轨迹分布，用后验函数预测概率值，增加了一个横向的hot-vector 和纵向的hot-vector【注意softmax】；

机动比概率分布

细节描述

LSTM层数：128编码器、解码器和机动分类分支；
input_X 在输入到LSTM层之前，有一个full-connection(64位)，activation为α=0.1。
虽然Trajecrtory encoder-decoder和 Maneuver predictions在测试过程中是同步使用的，但我们分别对模型进行了训练。
轨迹编解码器被训练成最小的负对数似然损失的地面真相，未来位置的韦希克勒斯预测的轨迹分布。
上下文向量为每个训练样本附加机动类的地面真值。
对机动分类模型进行训练，使预测和地面真实、横向和纵向机动类别的交叉熵损失之和最小。
这两个模型都的loss都是Adam，learning_rate = 0.001,基于keras;

others

机动模型：在先进的驾驶辅助系统和自然驾驶研究中，车辆运动被广泛地分为机动类
弹道预测模块在给定机动级的情况下输出车辆的未来位置。
运动预测的递归网络：由于运动预测可以看作是一种序列分类或序列生成任务，近年来提出了许多基于LSTM的机动分类和轨迹预测方法。Khosroshahi等人[19]和Phillips等人[20]使用LSTM对交叉路口的车辆机动进行分类。Kim等人[21]提出了一种LSTM，用于预测车辆在未来使用网格中的间隔为0.5s、1s和2s的位置。