论文与代码:链接
文章大致内容:提出一种LSTM-CNN混合网络对密集交通流场景进行轨迹预测,考虑了场景中车辆的交互作用。
效果: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。
数据集:ApolloScape(街景数据,高复杂场景,2D/3D注释);NGSIM(单一交通流,高速公路);KITTI(带有2D/3D注释);TRAF(密集和异构交通,2D/3D轨迹信息)
网络结构组成:包括三层网络,Horizon层(输入:预测的车前视角半椭圆区域代理车辆位置、速度、流量集中度、尺寸)、Neighbor层(输入:预测的车360度椭圆区域代理车辆的位置、速度、流量集中度、尺寸)、Ego层(输入:预测的车自身的位置、速度、流量集中度、尺寸、转角半径、形状等等);经过网络得到特征向量;最后级联在一起进行轨迹预测
权重分配:蓝色区域分配较大权重(优先避障)
损失函数如下:
评估结果: