shengjie55555 / simple_framework_for_motion_forecasting

Simple_Framework_For_Motion_Forecasting

开发流程

1. 数据预处理：处理数据并保存成pickle
   1. 注意数据接口尽量保持一致，会影响后续一系列操作
2. 配置文件：网络、训练和文件保存路径等参数
   1. 新建config/cfg_{modelname}.py文件
3. Dataset接口类：加载预处理保存的文件
   1. 在utils.dataset.py中创建：{ModelName}Dataset类
4. 网络模型：创建预测模型
   1. 新建model/{modelname}.py文件
   2. 创建agent_gather & graph_gather函数
   3. 创建{ModelName}类
5. 损失函数：用于计算轨迹误差和置信度误差
   1. 在model.loss.py中创建：{ModelName}Loss和{ModelName}PredLoss类
6. 平均误差和指标
   1. 在utils.log_utils.py中创建：{ModelName}AverageLoss和{ModelName}AverageMetrics类
7. 可视化：绘制目标车辆的预测结果
   1. 新建vis_{modelname}.py文件
   2. 创建Vis类

备注：

1. 上述通过args.model参数和importlib来自动化加载所需要的类
2. 各个模型之间的差异：数据接口、配置文件、模型结构
3. 优化器目前默认Adam
4. 学习率调整策略默认MultiStepLR

框架中已有模型

methods	trajectory encoder	map encoder	interaction	decoder
MHL	MLP + LSTM	None	Self-attention	MLP + residual block
MHLV	MLP + LSTM	Vectornet	Global self-attention	MLP + residual block
MHLL	MLP + LSTM	LaneGCN	Cross-attention	MLP + residual block
MHLD	MLP + LSTM	DS	Cross-attention	MLP + residual block
ATDS	Conv1D + Attention	LaneGCN	Cross-attention	Pyramid decoder

复杂场景

考虑场景的不确定性和驾驶员决策的不确定性分成以下几类：

• ATDSDataset中验证集的argo_id和Argoverse中val的file_name不对应
• 可以通过orig的坐标来对齐

类别	场景ID
变道	9,239,438
左转	52,356,553
右转	146,402,1001
路口	29,291,485,649,710,2112,3933,4563,10057,13467,13604,19567
加速	332,543,743
减速	183,184,514

验证集结果

methods	minADE_1	minFDE_1	MR_1	minADE_6	minFDE_6	MR_6	brier-minFDE
MHL	1.5562	3.4983	0.5550	0.8032	1.3291	0.1568	1.9275
MHLV	1.4705	3.2696	0.5355	0.7478	1.1725	0.1250	1.7821
MHLL	1.4344	3.1791	0.5173	0.7312	1.1146	0.1101	1.7227
MHLD	1.4448	3.2107	0.5333	0.7276	1.1228	0.1089	1.7252
ATDS-v2.0	1.3486	2.9541	0.4916	0.7059	1.0604	0.0991	1.6550
ATDS-v4.2	1.3214	2.8773	0.4836	0.7015	1.0458	0.0988	1.6333
ATDS-v4.3	1.3084	2.8709	0.4817	0.6936	1.0315	0.0953	1.6196
KAN	1.2781	2.7591	0.4622	0.6791	0.9546	0.0809	1.5604