Heim > Artikel > Technologie-Peripheriegeräte > Dieser Artikel reicht aus, um etwas über autonomes Fahren und Flugbahnvorhersage zu lesen!
Trajektorienvorhersage spielt beim autonomen Fahren eine wichtige Rolle. Die autonome Fahrtrajektorienvorhersage bezieht sich auf die Vorhersage der zukünftigen Fahrtrajektorie des Fahrzeugs durch die Analyse verschiedener Daten während des Fahrvorgangs. Als Kernmodul des autonomen Fahrens ist die Qualität der Trajektorienvorhersage von entscheidender Bedeutung für die nachgelagerte Planungssteuerung. Die Trajektorienvorhersageaufgabe verfügt über einen umfangreichen Technologie-Stack und erfordert Vertrautheit mit der dynamischen/statischen Wahrnehmung des autonomen Fahrens, hochpräzisen Karten, Fahrspurlinien, Fähigkeiten in der neuronalen Netzwerkarchitektur (CNN&GNN&Transformer) usw. Der Einstieg ist sehr schwierig! Viele Fans hoffen, so schnell wie möglich mit der Flugbahnvorhersage beginnen zu können und Fallstricke zu vermeiden. Heute werde ich eine Bestandsaufnahme einiger häufiger Probleme und einführender Lernmethoden für die Flugbahnvorhersage machen!
A: Schauen wir uns zunächst das sequentielle Netzwerk, das graphische neuronale Netzwerk und die Bewertung in Umfragen, Problemformulierungen und Deep-Learning-basierten Methoden an.
3. Worauf beziehen sich Labels und Ziele unter den im Argoverse-Datensatz genannten Datenkomponenten? Beziehen sich Beschriftungen auf die Grundwahrheit innerhalb des vorherzusagenden Zeitraums? In der Tabelle rechts stellt die Spalte OBJECT_TYPE normalerweise das selbstfahrende Fahrzeug selbst dar. Der Datensatz gibt normalerweise ein oder mehrere Hindernisse an, die für jede Szene vorhergesagt werden sollen. Diese vorherzusagenden Ziele werden als Ziele oder Fokusagenten bezeichnet. Einige Datensätze bieten auch semantische Bezeichnungen für jedes Hindernis, z. B. Fahrzeuge, Fußgänger oder Fahrräder.
F3: Die Datensätze argo1 und argo2 geben nur ein vorhergesagtes Hindernis an, oder? Wie werden diese beiden Datensätze verwendet, wenn eine Multi-Agenten-Vorhersage durchgeführt wird? Argo1 gibt nur ein Hindernis an, während argo2 bis zu zwanzig angeben kann. Selbst wenn jedoch nur ein Hindernis angegeben wird, hat dies keinen Einfluss auf die Fähigkeit Ihres Modells, mehrere Hindernisse vorherzusagen.
4. Die Pfadplanung berücksichtigt im Allgemeinen niedrige Geschwindigkeit und statische Hindernisse. Welche Rolle spielt die Kombination der Flugbahnvorhersage? ? Schlüsselmomentaufnahme?A: „Vorhersagen“ der Flugbahn des eigenen Fahrzeugs als Flugbahn der eigenen Fahrzeugplanung, Sie können sich auf Uniad beziehen
5 Stellt die Flugbahnvorhersage hohe Anforderungen an das Fahrzeugdynamikmodell? Benötigen Sie lediglich Mathematik und Automobiltheorie, um ein genaues Fahrzeugdynamikmodell zu erstellen?F: Einige öffentliche Informationen, wie z. B. Xiaopengs Wahrnehmungs-Xnet, werden gleichzeitig Flugbahnen vorhersagen. Derzeit habe ich das Gefühl, dass die Vorhersagearbeit dem Wahrnehmungsmodul zugeordnet ist oder dass beide Module über eigene Vorhersagemodule verfügen Die Ziele sind unterschiedlich.
A1(stu): 默认预测属于感知吧,或者决策中隐含预测,反正没有预测不行。A2(stu): 决策该规控做,有行为规划,高级一点的就是做交互和博弈,有的公司会有单独的交互博弈组
A: In diesem Kurs wird alles behandelt. Sie können sich auf Kapitel 2 beziehen, das auch in Kapitel 4 behandelt wird. Der Unterschied zwischen heterogenen Graphen und isomorphen Graphen: In isomorphen Graphen gibt es nur einen Knotentyp, einen Es gibt nur eine Verbindungsbeziehung zu einem anderen Knoten. In einem sozialen Netzwerk kann man sich beispielsweise vorstellen, dass der Knoten nur eine Art von „Menschen“ und der Rand nur eine Art von Verbindung „Wissen“ hat. Und die Leute kennen sich entweder oder nicht. Es ist aber auch möglich, Personen, Likes und Tweets zu segmentieren. Dann können Menschen durch Bekanntschaften verbunden sein, Menschen können durch Likes auf Tweets verbunden sein und Menschen können auch durch Likes auf einem Tweet verbunden sein (Metapfad). Hier erfordert der vielfältige Ausdruck von Knoten und Beziehungen zwischen Knoten die Einführung heterogener Graphen. In heterogenen Diagrammen gibt es viele Arten von Knoten. Es gibt auch viele Arten von Verbindungsbeziehungen (Kanten) zwischen Knoten, und es gibt noch mehr Arten von Kombinationen dieser Verbindungsbeziehungen (Metapfad). Die Beziehungen zwischen diesen Knoten werden in unterschiedliche Schweregrade und unterschiedliche Verbindungsbeziehungen eingeteilt auch in verschiedene Schweregrade eingeteilt.
A: Sie können Autos innerhalb eines bestimmten Radius auswählen oder Autos mit K nächsten Nachbarn berücksichtigen. Sie können sogar selbst eine erweiterte heuristische Nachbar-Screening-Strategie entwickeln und es ist sogar möglich, das Modell lernen zu lassen, ob Zwei Autos sind gleich. Frage 2: Betrachten wir einen bestimmten Bereich. Außerdem: Zu welchem Zeitpunkt sind die ausgewählten Fahrzeuge angekommen? A: Es ist schwierig, eine Standardantwort auf die Auswahl des Radius zu geben. Dies ist im Wesentlichen die Frage, wie viele Ferninformationen das Modell benötigt, um Vorhersagen zu treffen ein Volumen. Für die zweite Frage lautet meine persönliche Regel: Wenn Sie die Interaktion zwischen Objekten zu welchem Zeitpunkt modellieren möchten, sollten Sie Nachbarn basierend auf der relativen Position der Objekte zu diesem Zeitpunkt auswählen F3: Müssen in diesem Fall für die historische Zeit alle Domänen modelliert werden? Die umgebenden Fahrzeuge innerhalb eines bestimmten Bereichs ändern sich ebenfalls in unterschiedlichen Zeitschritten, oder sollten wir nur die umgebenden Fahrzeuginformationen zum aktuellen Zeitpunkt berücksichtigen? -end Was sind die Mängel im Vorhersageteil des Modells?
A: Schauen Sie sich das an. Die Funktionsweise von Bewegungsformern ist relativ konventionell. Sie werden in vielen Artikeln ähnliche SA und CA sehen. Viele der Sota-Modelle sind jetzt relativ umfangreich. Beispielsweise verfügt der Decoder über eine zyklische Verfeinerung Ego und die umgebenden Agenten. 3. Die szenenzentrierte Darstellung wird ohne Berücksichtigung der Symmetrie verwendet, und der Effekt ist unvermeidlich. F2: Was ist eine Randvorhersage? Der dritte Punkt, szenenzentriert, berücksichtigt nicht die Symmetrie, wie verstehen Sie das?A2: Es versteht sich, dass es sich bei der Eingabe um Szenendaten handelt, diese werden jedoch im Netzwerk modelliert, um die Szene um sie herum mit jedem Ziel als zentraler Perspektive anzuzeigen. Auf diese Weise erhalten Sie die Kodierung jedes Ziels im Mittelpunkt sich im Vorfeld, und Sie können die Unterschiede zwischen diesen Kodierungen später berücksichtigen.
A: Jeder Agent hat seine eigene lokale Region, und die lokale Region ist auf diesen Agenten zentriert.A: Eigentlich weiß ich nicht, ob ich es richtig verstehe eine Ampel/ein Stoppschild/Geschwindigkeitsbegrenzungsschild usw.
7. Was sind die Vor- und Nachteile von Laplace-Verlust und Huber-Verlust für die Flugbahnvorhersage?A: Versuchen Sie beides Einer ist besser? Welcher hat den Vorteil. Damit der Laplace-Verlust wirksam ist, müssen einige Details beachtet werden
F2: Bedeutet das, dass die Parameter angepasst werden müssen? A: Im Vergleich zum L1-Verlust sagt der Laplace-Verlust tatsächlich einen weiteren Skalenparameter voraus
F3: Ja, aber es scheint, dass ich nicht weiß, welchen Nutzen es hat, wenn man nur eine Flugbahn vorhersagt. Es fühlt sich wie Redundanz an. Ich verstehe es als Unsicherheit. Ich weiß nicht, ob es richtig ist
A:如果你从零推导过最小二乘法就会知道,MSE其实是假设了方差为常数的高斯分布的NLL。同理,L1 loss也是假设了方差为常数的Laplace分布的NLL。所以说LaplaceNLL也可以理解为方差非定值的L1 loss。这个方差是模型自己预测出来的。为了使loss更低,模型会给那些拟合得不太好的样本一个比较大的方差,而给拟合得好的样本比较小的方差
Q4:那是不是可以理解为对于非常随机的数据集【轨迹数据存在缺帧 抖动】 就不太适合Laplace 因为模型需要去拟合这个方差?需要数据集质量比较高
A:这个说法我觉得不一定成立。从效果上来看,会鼓励模型优先学习比较容易拟合的样本,再去学习难学习的样本
Q5:还想请问下这句话(Laplace loss要效果好还是有些细节要注意的)如何理解 A:主要是预测scale那里。在模型上,预测location的分支和预测scale的分支要尽量解耦,不要让他们相互干扰。预测scale的分支要保证输出结果>0,一般人会用exp作为激活函数保证非负,但是我发现用ELU +1会更好。然后其实scale的下界最好不要是0,最好让scale>0.01或者>0.1啥的。以上都是个人看法。其实我开源的代码(周梓康大佬的github开源代码)里都有这些细节,不过可能大家不一定注意到。
给出链接:https://github.com/ZikangZhou/QCNet
https://github.com/ZikangZhou/HiVT
https://github.com/L1aoXingyu/pytorch-beginner/tree/master/08-AutoEncoder
A:Polyline就是折线,折线就是一段一段的,每一段都可以看成是一段向量Q2:请问这个折线段和图神经网络的节点之间的边有关系吗?或者说Polyline这个折现向量相当于是图神经网络当中的节点还是边呀?A:一根折线可以理解为一个节点。轨迹预测里面没有明确定义的边,边如何定义取决于你怎么理解这个问题。Q3: VectorNet里面有很多个子图,每个子图下面有很多个Polyline,把Polyline当做向量的话,就相当于把Polyline这个节点变成了向量,相当于将节点进行特征向量化对吗?然后Polyline里面有多个Vector向量,就是相当于是构成这个节点的特征矩阵么?A: 一个地图里有很多条polyline;一个Polyline就是一个子图;一个polyline由很多段比较短的向量组成,每一段向量都是子图上的一个节点
A: 节点的粒度不同,要说效果的话那得看具体实现;速度的话,显然粒度越粗效率越高Q2:从效果角度看,什么时候选用哪种有没有什么原则?A: 没有原则,都可以尝试
A: Standardisieren Sie einfach die Daten. Es mag einigermaßen nützlich sein, aber wahrscheinlich nicht viel
A: Es gibt keinen großen Unterschied zwischen Addition und Konkat, aber für die Verschmelzung von Kategorieeinbettung und numerischer Einbettung sind sie tatsächlich völlig gleichwertig
A: Ich weiß es nicht, aber nach den Informationen, die ich erhalten habe, weiß ich nicht, ob es NV ist oder welcher Autohersteller HiVT zur Vorhersage von Fußgängern verwendet, daher ist der tatsächliche Einsatz definitiv machbar
A: Die vielversprechendste Lösung für zukünftige Vorhersagen basierend auf der Belegung sollte diese sein: https://arxiv.org/abs/2308.01471
A: Dieser potenziell öffentliche Datensatz ist schwierig und liefert im Allgemeinen nicht die geplante Flugbahn des Fahrzeugs. In der Antike gab es einen Artikel mit dem Titel PiP, Hong Kong Ke Haoran Song. Ich bin der Meinung, dass Artikel zur bedingten Vorhersage genau das Richtige für Sie sind, z. B. M2I
Das obige ist der detaillierte Inhalt vonDieser Artikel reicht aus, um etwas über autonomes Fahren und Flugbahnvorhersage zu lesen!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!