LaneRCNN
貢獻
- LaneRoI：針對於特定智能體的圖，其中包括該智能體歷史軌跡與周圍地圖拓撲結構；
- LaneRCNN：通過編碼上下文，建模智能體間交互，利用地圖拓撲結構來預測未來軌跡的圖中心軌跡預測模型；
- 1st rank;
模型框架
獲得每個actor的LaneRoI，對其中信息進行特征編碼，然后嵌入全局車道圖中，進行actor之間的交互，最后根據每個actor的LaneRoI，在車道中心的基礎上進行軌跡預測。
具體實現
LaneRoI：首先獲取每個actor在將來T內可到達的所有車道及過去L內的歷史軌跡；車道構成車道圖。
LaneRoI中車道圖中的每個節點對於一段道路，還有一個嵌入來表示其幾何（中心，起點坐標及弧度）與語義（是否轉彎，紅綠燈等）信息，還包含過去的歷史軌跡信息
LaneRCNN中算子
- 卷積：同LaneGCN
- 池化：在相關的節點中，對其相對位置（包含相對位置和起點）通過MLP來學習池化操作進行特征提取。
LaneRoI編碼：給定scene，對每個RoI進行4層車道卷積，每次卷積會將本節點信息與關聯節點傳播；為解決長時依賴，引入跳連。
LaneRCNN：
先聚合：將編碼后的特征投影到全局車道圖對應節點中，對於全局車道圖中每個節點，使用池化操作構造其嵌入；再分散：再對全局圖中每個節點及其附近節點做池化，將結果跳連到對應LaneRoI的特征中
基於LaneRoI特征做預測，輸出5個值，包括與最終目標最近的車道段的概率、與最終目標最近的車道段的差值（deltaX，deltaY，delta角度的sin和cos），利用恆加速度模型擬合出一條預測起點與終點間的曲線，按時間點對曲線采樣獲得軌跡點。
損失函數：分類損失、回歸損失、真實軌跡與預測軌跡間的擬合損失
- 分類損失是online hard example mining，交叉熵
- 回歸損失是只計算正例，如與真實軌跡終點最近的車道段，smooth—L1
- 擬合損失是將真實軌跡投影到預測軌跡中，按照Frenet坐標系計算smooth—L1
其他需要注意
可以利用LaneRoI中車道中心線作軌跡預測的anchor，以提供良好的先驗。