陳舫慶

陳舫慶

Hi there! OWO

論文筆記：TrafficPredict - Trajectory Prediction for Heterogeneous Traffic-Agents

前言

論文連結：TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents
會議：AAAI 2019
在讀這篇之前最好先讀Social Attention: Modeling Attention in Human Crowd，TrafficPredict的概念有很大一部分是從Social Attention來的，在attention的運算方面也寫的的比較詳細。

Introduction

這篇聚焦在在Heterogeneous（包含不同的agents, including vehicles, pedestrians, bikes …）上。

Main Results：

  1. a novel LSTM-based algorithm (new approach for trajectory prediction in heteogeneous traffic) -> 4D GRAPH
  2. collect a new dataset “Apollo”
  3. smaller prediction error

System Overview

system_overview 簡單來說勒，這篇paper主打的就是他的4D GRAPH，雖然聽起來很厲害，但其實就是4個不一樣的features而已拉，跟維度沒啥關聯。 主要分成兩個Layer：

  1. Instance Layer：抓出（capture）instances之間的動態、互動關係
  2. Category Layer：歸納（conclude）類似instances的移動方式（ex:車子的移動方式、行人的移動方式）

Q：等等 那到底4D是在4D啥？
A：4D就是上面那個圖裡面的4個東東：

  • 在Instance Layers中的每個instance（1st D）, instance相連的spatial edge棕色線線，在空間中的關聯性（2nd D）。
  • 在Category Layers中的6角形東東（high-level categorization，同一纇instance的移動特性）（3rd D）。
  • frame（n） 跟 frame（n+1）之間的temperal edge虛線，時域的關聯性（4th D）。

看起來很厲害，但其實就是4種不一樣的時間、空間features而已～～～
這只是基本的部份而已，接下來還有整個的Architecture要討論。

主要就來講一下Social Attention和Attention相關的東西。

  1. Social Attention（SA）
    • 先來看個Social Attention（RNN-based, Homogeneous）的架構圖><，是不是跟我們的4D GRAPH超級像阿（應該有像ㄅ），只是SA沒有Category Layer的分類而已。 SocialAttentionSysytemOverview
  2. Attention（注意力）
    • 訓練讓model知道”誰是重要的”，利用公式算出一個分數，越高分則代表越重要。
    • ex：在路上騎車時，正前方的車輛就很重要，因為他可能隨時會煞車、右轉等等，所以需要高注意力（attention分數高）；相反的，50公尺外的行人可能就不是那麼重要（attention分數低）。簡單來說Attention就是在訓練這些東西，讓系統知道誰是該注意的東西。

Method

Problem Definition

problem_definition

How?（照順序來><）

先讓我們來稿清楚一下倒底用了什麼樣的LSTM

  1. instance LSTM（每個instance會有一個LSTM來紀錄他們的移動特性，相同種類的會share parameters，論文中提到在他們的實驗裡有3種）
  2. edge LSTM（找出在同一時間，instance之間的interaction）
  3. super node temporal LSTM
  4. super node LSTM

1. Instance Layer

capture the movement pattern of instances in traffic

  • 利用edge LSTM抓出instance i和j的互動關係 -> （hij）
  • 再來利用Attention打分數，以（hij）的結果，找出現在誰對i的重要性最大 ->（w）
  • 將（w）和上一階段的結果（h2）代入istance LSTM找出第一階段的結果 -> （h1, c）
  • 圖
    instance_layer

2. Category Layer

learn the movemet from the same category of instance

  • 把相同類別的instance在第一階段（instance layer）算出來的cell state（c）取出平均，以此作為該類別的移動法則（internal movement law of the trajectory） -> （F）
  • 以（F）通過super node temporal LSTM計算super node時域間的特性 -> （huu）
  • 以（F）、（huu）通過super node LSTM計算super node的特性 -> （hu）
  • 最後以（h1）和（hu）找出最後的解答 -> （h2）
  • （h2）代回instance layer作為強化
  • 看圖清楚多ㄌ category_layer

3. Position Estimation

bivariate Gaussian distribution 就高斯分佈這樣

4. Loss Function

loss_function

Categories:

Updated: