TraPHic: Trajectory Prediction in Dense and Heterogeneous Traffic Using Weighted Interactions

一、介绍

这篇论文主要是介绍了一种用于车辆轨迹预测的算法，区别于一般的轨迹预测，这种轨迹预测的方法是考虑了周围其余交通参与者（Traffic Agents）的影响，传统的轨迹预测可以看作西医，强调器官之间的独立性，交通参与者之间看作是独立的个体，不产生相互的影响，而这片论文里面的算法则可以看做中医，将交通参与者之间的联系引入了轨迹预测的过程中，从而使得轨迹的预测在交通环境多样化也就是交通参与者类型复杂的情况下更加准确。

二、主要工作

论文中记录了作者主要进行的三个部分的工作。

首先是预测算法，前面提到过预测算法需要针对不同的交通参与者做不同的处理，并且引入交互带来的作用。经过这种处理，提高轨迹预测在交通情况多元化的场景中的准确率。
其次是模型的创新，论文里采用了一种混合的模型去进行轨迹的预测，现在广泛使用的轨迹预测模型主要是LSTMs，这个模型的优点是可以将时间因素纳入考虑，会考虑前面时间的信息对未来的影响，但是这个模型无法将多个交通参与者之间的交互纳入考虑，为了实现物体之间的交互，又在LSTMs的后面补了一个CNN，从而形成了一个混合网络。
最后论文还提供了一个数据集，现有的数据集针对多元交通环境下都存在一定的不足，百度的阿波罗数据集没有提供轨迹信息，NGSIM仅限于高速路和固定车道的场景，ETH和UCY仅仅包括行人的信息，所以论文作者采集了一个数据集称为TRAF，这个数据集主要是一些亚洲城市的2D/3D轨迹信息。这个实验是在TRAF和KITTI数据集上进行的。

三、算法的数据结构

对于论文的预测算法，作者主要是从两个方面去考虑的。算法的使用背景是密集且多元的交通场景，在这个场景下，一方面交通参与者的注意力会发生一些倾斜，会更加注意近距离的交通情况，而远距离的注意则会相对小一些，这个近距离称为视距（horizon），而远距离称为邻域（neighbourhood），如下图所示：

这个其实很好理解，在交通环境复杂的情况下，人们的注意力确实是集中在面前的一定范围内，对应图中的蓝色半圆形区域，而邻域内的交通参与者会有影响，但是不如蓝色区域内的影响大。所以解决方法就是对不同区域内的交通参与者设置不同的权重，加大视域范围内的权重，而邻域的权重则相对减小一些。
另一方面，算法认为路径规划存在一些隐性的影响，比如说车辆的动力学约束、道路的形状甚至驾驶者的性格都会对路径预测产生影响，这部分影响不是显性的，而是隐性的，但是也应该纳入考虑的范围内。

基于这两方面的考虑，算法的输入是N个交通参与者的历史轨迹，主要是二维的点坐标xy，除此之外还包括交通参与者的大小l，论文中定义了一个量称为交通联系度，表示一定的范围内交通参与者的数量，引入这个量有别于交通密度，交通密度是一个宏观的概念，是一个全局的概念，而交通联系度是一个微观的概念，是一个局部范围的量。用上面几个量去衡量交通参与者的位姿信息：

获取位姿信息的主要方式是利用2D信息到3D信息的转换，这里论文里面没有明确写出来具体的方法，在论文的代码中应该有体现。
获得位姿信息之后，就是划分出前面提到的两个区域：视域和邻域，将两类交通参与者分开，这里需要注意，视域内的交通参与者同时也是邻域内的交通参与者，所以在后续的模型训练中也会有一部分数据重复利用。

四、模型结构

获得了上面的准备数据，就可以进行模型的训练，模型采用的是LSTMs+CNN的混合网络，主要还是因为LSTMs无法习得多类型交通参与者之间的相互影响，所以将又补充上了一个CNN，这样同时可以习得时间信息还包括交互的信息。网络的结构如下图：

网络主要包括三层：视域处理、邻域处理和自身状态处理。视域和邻域的内容都经过LSTM处理成一个MAP，之后经过两层的CNN进行处理，区别在于视域多经过了一个全连接层。模型训练过程中会不断调整视域和邻域范围内交通参与者行为的权重，最终利用数据形成一张地图，也就是上图中和hj和hjw。

关于前面提到的隐性限制，这一部分论文又展开细说了一下，隐性限制主要包括两部分，一个是车辆的限制，比如转向角，另一个是驾驶者的行为，这一部分主要体现在前面的说的交通注意度中，论文列举了三种驾驶行为的隐性影响，对于一个“更具进攻性”的交通参与者，这种参与者更容易出现超速、抢占位置或者过小车距的现象。

最后利用最小化损失函数的方法训练模型，从而完成轨迹的预测。

五、实验结果

在高密度环境优于S-LSTM、S-GAN、CS-LSTM；在稀疏交通流环境，具有相似精度。