文章目录
VectorNet Overview
前言
- 论文: https://arxiv.org/pdf/2005.04259
- 代码: https://github.com/xk-huang/yet-another-vectornet
- 年份: 2020.05
- 数据: argoverse + in-house behavior prediction dataset
(vectornet算法流程)
-
读取轨迹 和地图 数据，将其转换为向量化表示
-
对每个向量化的polyline实体，使用子图网络（MLP+GNN）进行局部子图编码，并输出局部特征
-
以每个实体的局部子图输出特征作为节点，节点间基于自注意力机制的相似度作为边构建全局图（GNN+self-attention）
-
对所有向量化的polyline实体，使用GNN进行全局交互建模，输出每个实体的隐状态
-
对每个agent，使用一个MLP解码器生成多个可能得未来轨迹，并估计他们的概率
-
计算损失函数，使用ADE和FDE作为评价指标
-
GNN:
- GNN先 聚合轨迹和地图polyline的局部信息，再全局聚合所有polyline之间的特征，然后可以将该图用于行为预测
- GNN聚合polyline局部信息 时候通过多层GNN操作来找到polyline内部向量之间的关系，在聚合全局信息 时通过self-attention自注意力机制来找到各个polyline之间的联系
(向量表示)
-
地图向量构建
- 选定起点和方向，从相同空间距离的样条中均匀采样关键点，并将相邻关键点顺序连接成向量
-
轨迹向量构建
- 从t=0开始，以固定时间间隔0.1s采样，并将他们连成向量
不管是地图还是轨迹，只要空间或时间间隔合适，生成的折线polyline就可以作为原始元素的近似
(图构建)
-
我们在向量集之上能够形成一个图形表示
-
将polyline的一个向量视为节点 , 每个节点特征如下 v i = d i s , d i e , a i , j v_{i} =d_{i}\^{s}, d_{i}\^{e}, a_{i}, j vi=dis,die,ai,j
- 前两个是start和end点坐标, 可以是(x,y)也可以是(x,y,z)
- 第三个是属性特征, 比如目标类型, 时间戳, 道路特征, 道路限速和其他目标特征
- 第四个是polyline的整数id,表示节点属于polyline, polyline内部相同
-
以agent为中心，所有向量的坐标归一化；最后还需要共享所有交互agent的坐标中心以便能并行预测它们的轨迹
(子图构建)
-
在向量级别构建子图, 以利用节点的空间和语义局部性, 属于同一polyline的所有节点相互连接, 即每个节点和polyline其余所有节点连接
-
对于一个polyline, P的节点有 v 1 , v 2 , . . . , v p {v_1, v_2, ..., v_p} v1,v2,...,vp
-
可以定义子图网络如下 v i l + 1 = ϕ r e l ( g e n c ( v i l ) , φ a g g ( v j l ) ) v_{i}^{l+1} = \phi {rel}(genc(v{i}^{l}), \varphi {agg}(v{j}^{l}) ) vil+1=ϕrel(genc(vil),φagg(vjl))
v i l v_{i}^{l} vil：表示第i个节点L层的节点特征
g e n c genc genc：表示节点的变换，实践中采用MLP来实现
φ a g g \varphi _{agg} φagg：表示节点聚合，用来从相邻的节点获取信息，实践中采用的是max_pooling
ϕ r e l \phi _{rel} ϕrel：表示 v i v_i vi与周围节点的关系，实践中采用的是concatenate操作如下图所示
-
经过多层的堆叠，来获取整个polyline级别的特征 P = φ a g g ( v i L p ) P = \varphi {agg}(v{i}^{L_{p} }) P=φagg(viLp)
φ a g g \varphi _{agg} φagg也是max_pooling操作 -
结合上图来理解 ，总结来说： g e n c o d e r g_encoder gencoder转换单个节点的特征， φ a g g \varphi _{agg} φagg聚合左右相邻节点的信息，而 ϕ r e l \phi _{rel} ϕrel是节点与相邻节点之间的关系算子，可以简单拼接
- m a x p o o l i n g max_pooling maxpooling最大池化：获取相邻节点最为明显的行为特征，如突然加速等
- 上图是一个多层感知机MLP，其权重所有节点共享，MLP包含全连接层，然后进行层归一化，再经过ReLU引入非线性
- 如上图的网络进行堆叠，每个子图网络的 g e n c o d e r g_encoder gencoder权重不同，经过如下处理，得到折线级特征，即再次池化找出一个polyline最需要重点关注的信息 P = φ a g g ( v i L p ) P = \varphi {agg}(v{i}^{L_{p} }) P=φagg(viLp)
(全局图构建)
- 全局图的节点 就是每个polyline 编码的结果, 边 就是自注意力机制 计算的相似度
- 对折线节点特征{ p 1 , p 2 , . . . , p P {p_1, p_2, ..., p_P} p1,p2,...,pP}上的高阶交互进行建模 { p i l + 1 } = G N N ( p i l , A ) \left \{ p_{i}^{l+1} \right \} =GNN\left ( p_{i}^{l}, A \right ) {pil+1}=GNN(pil,A)
- 从自注意力机制的角度来理解 。 A A A是对折线节点集的，假设 A A A是一个全连接图，那么这个图网络被实现为self-attention自注意力操作 G N N ( P ) = s o f t m a x ( P Q P K T ) P V GNN\left ( P \right ) =softmax(P_{Q}P_{K}^{T} )P_{V} GNN(P)=softmax(PQPKT)PV
- P P P是节点特征矩阵， P Q , P K , P V P_{Q},P_{K},P_{V} PQ,PK,PV是其线性投影
- 文章中只使用了单层GNN，也可以使用多层GNN来模拟高阶交互
(解码器: 轨迹预测)
- 推理过程对于移动agent节点解码未来轨迹： v i f u t u r e = φ t r a j ( p i L t ) v_{i}^{future} = \varphi {traj}(p{i}^{L_{t} } ) vifuture=φtraj(piLt)
- 其中， L t L_t Lt是GNN总层数， φ t r a j \varphi _{traj} φtraj是轨迹解码器，文章中采用了简单的MLP作为解码器，还可以使用其他类型的解码器
- MLP: 多个全连接层和ReLU激活函数组成, 提取特征并映射到输出向量
- 输入: 局部/全局特征图
- 输出: 二维坐标向量
(辅助研究)
- 文章中为了更好地捕捉 不同polyline之间的交互 , 在训练期间， 随机屏蔽 掉polyline子集特征，如屏蔽 p i p_i pi，然后尝试将其掩盖的特征恢复 p i ^ = φ n o d e ( p i L t ) \hat{p_{i} } =\varphi {node}(p{i}^{L_t} ) pi^=φnode(piLt)
- 其中 φ n o d e \varphi _{node} φnode是MLP节点特征解码器，在推理过程中不使用这些解码器
- p i ^ \hat{p_{i} } pi^是全连接无序图中的一个节点，文章中通过计算相对的 p i d p_{id} pid来识别单个 p i p_{i} pi
(损失函数)
L = L t r a j + α L n o d e L=L_{traj}+\alpha L_{node} L=Ltraj+αLnode
- L t r a j L_{traj} Ltraj是预测轨迹与GT轨迹的的交叉熵 -> 负高斯对数似然
- L n o d e L_{node} Lnode是预测节点与掩码节点之间的Huber损失(综合MSE和MAE优点的指标)
- 使用minADE 和minFDE 作为评价指标
(实验)
- 基线: 使用ConvNet对光栅图像进行编码
- 参数: 使用了3层MLP表示polyline子图，使用1层MLP表示全局交互图，所有MLP中hidden_size = 64
- 向量坐标归一化，使用最后观察点的目标车辆位置为中心
- 消融实验得到的几个结论：
- ConvNet感受野: 精心设计的栅格图裁剪策略能带来性能提升, 但是以增加计算成本为代价
- 渲染分辨率: 随着栅格图渲染分辨率的提高, 性能普遍提高
- 地图信息: 添加地图信息能显著提高预测轨迹性能
- 轨迹信息: 结合他车轨迹信息也能进一步提高性能
- 辅助研究: 添加节点掩码机制有助于提高性能, 尤其是在较长时间范围内
- 图层: 对于折线子图 ，3 层MLP提供了最佳性能，对于全局图 ，只需要1层 ; 使用更深的MLP不会带来更好的性能
- 注意力机制: 注意力机制可视化，注意力机制是agent能够专注于正确的选择
(问题厘清)
-
问题1：怎么理解子图构建过程中的的MLP, 网络怎么针对所有节点运作的, 是单个polyline的所有节点作为输入?
- 这里的节点node是polyline内每一个vector node;
- 是一个多层MLP, polyline的所有vector nodes features 作为输入 ，文章中是3层MLP，每层的参数不同，但是针对所有节点的（所有节点共享）
-
问题2：文章开头所述, 聚合局部信息的时候使用GNN还是MLP，还是GNN使用MLP实现?
- 子图构建阶段 ：MLP 主要用于vector node节点级别的特征提取 ，将原始的输入数据转换为有用的特征表示；然后使用GNN 进行vector nodes节点间的信息聚合和交互建模。通过这种方式，vectornet能充分利用节点的特征信息，并捕获子图内复杂的交互关系
- 全局图构建阶段 ：使用自注意力机制 的GNN 来捕获polyline之间的交互 关系，提取每个polyline特征都会根据其他polyline特征进行更新；提取了全局特征后，使用MLP 作为解码器生成最终的预测结果，MLP根据全局特征图生成每个agent未来可能的轨迹，并评估这些轨迹的概率，实现从特征空间到输出空间的映射
-
问题3：vectornet是交互式模型, 支持多智能体同时预测吗？
- 可以
- vectornet是一种交互式模型，通过全局图构建和自注意力机制的应用，使得vectornet能够同时处理多个智能体的预测任务，为每个智能体生成准确的预测结果
-
问题4 ：vectornet输出一个目标的一条 还是多条 轨迹, vectornet输出除了未来3s 轨迹还包括每条轨迹的概率吗(softmax层得到)
- vectornet预测得到的轨迹是相对于最后一个观测点的坐标偏移coordinate offset
- vectornet生成的是单目标多轨迹 ，除了给出未来3s 轨迹，还会通过内部softmax 层给出每条轨迹的概率
- vectornet轨迹偏移通过minADE/minFDE等回归，概率值通过交叉熵损失评估
参考文章
4. TNT论文
5. TNT论文笔记
6. denseTNT论文笔记
created by shuaixio, 2024.07.04