VectorNet- Encoding HD Maps and Agent Dynamics from Vectorized Representation
VectorNet: 通过矢量化表示编码高精度地图与动态交通参与者
自动驾驶大佬waymo
论文翻译

目标：轨迹预测
方法：

1. 向量化表示地图和移动agent（轨迹，车道线采样，每个点用特征向量表示）
2. 利用local graph net 聚合每条折线的特征(全联接网路，一条折线最后凝练出一个特征向量–就是一个点)
3. 利用全局graph聚合各个折线特性点的相互作用(全局图就是各个结点全联接构成的图，经过一层状态更新后通过解码网络得到目标对象的预测轨迹–轨迹的一步坐标位移)

（损失函数的设置，附加恢复网络等等细节需要去看原文）

20210426–（资料表明是CVPR2020的文章，但是标了arxiv:2005.就表示迷惑了）

road components

1. moving agents(pedestrians, vehicles)
2. road context information(lanes, traffic lights)

1. Ployline Garph

1. 向量化
   地图特征(车道线，交叉路口)-选定起点和方向，在spline(样条)上等空间间隔采样，连接相邻点构成向量，运动轨迹-等时间间隔采样关键点，构成向量。一条轨迹${\mathcal{P}}_j$就是一个向量集合{v1,v2,...,vp}\{v_1,v_2,...,v_p\}{v1​,v2​,...,vp​}
   曲线${\mathcal{P}}_j$向量$v_i$-向量的$d_i^s,d_i^e$起始和终止点的坐标；$a_i$对象类型、时间戳、道路类型、限速；j是轨迹编号：
   $$v_i=[d_i^s,d_i^e,a_i,j]$$

2. 折线子图–polyline subgraphs
   同一条折线(polyline)上的节点构成一张子图，节点特征更新规则：
   vi(l+1)=φrel[genc(vi(l)),φagg({ggen(vj(l))})]v_i^{(l+1)}=\varphi_{rel}[g_{enc}(v_i^{(l)}),\varphi_{agg}(\{g_{gen}(v_j^{(l)})\})]vi(l+1)​=φrel​[genc​(vi(l)​),φagg​({ggen​(vj(l)​)})]
   $g_{enc}$–MLP–处理每个节点的特征。同层结点权值共享，不同层权重不同
   ${\phi }_{agg}$–最大池化–聚合邻居结点的信息
   ${\phi }_{rel}$–concatenation(简单的连接操作)–本结点特征和邻居结点特征相互结合
   堆叠多层$g_{enc}(\cdot )$操作

3. 折线的表征–同一条折线上所有结点特征经过一个最大池化操作，聚合特征
   p=φagg({vi(Lp)})\bm{p}=\varphi_{agg}(\{v_i^{(L_p)}\})p=φagg​({vi(Lp​)​})

注：

1. 起始和终止点的坐标–二维/三维都可以
2. 目标agent最后一次被观察到的time step/位置 作为时间或者空间的原点。
3. 折线子图可以看作是PointNet的一般化–在PointNet中，$d^s=d^e$，$a$和$l$为空。但是本文作者表明,odering 信息，连接性约束(没发现呀，和l有关？)使得本文子图网络能够更好的编码结构化的信息。

2. Global Graph

1. 全局图
   折线结点{p1,p2,...,pP}\{p_1, p_2,...,p_P\}{p1​,p2​,...,pP​}构造全局图，A–邻接矩阵–为了简单起见，本文采用全联接图。
   {pi(l+1)}=GNN({pi(l)},A)\{p_i^{(l+1)}\}=GNN(\{p_i^{(l)}\},A){pi(l+1)​}=GNN({pi(l)​},A)
   图具体计算采用self-attention操作:
   $$GNN(P)=softmax(P_Q,P_K^T)P_V$$
   P为结点的特征矩阵，$P_Q,P_K,P_V$是P的线形投影(具体操作没说)

2. 预测moving agents的未来轨迹
   $$v_i^{future}={\phi }_{traj}(p_i^{(L_t)})$$

${\phi }_{traj}(\cdot )$–轨迹解码器–MLP
(本文GNN网络只有一层，所以在推断的时候，只需要计算target agent的特征。)

3. 附加图补全任务–auxiliary graph completion task
   为了使图捕获轨迹和车道线强交互，在训练时，隐藏一部分折线结点特征向量，用模型去预测该特征：
   $${\hat{p}}_i={\phi }_{node}(p_i^{(L_t)})$$
   ${\phi }_{node}(\cdot )$–结点特征解码器-MLP，目标函数和BERT的目标函数相似。
   (这一点写的不是很明白，${\phi }_{node}(\cdot )$输入特征的构造这一点)

论文解读:Attention is All you need
Transformer–论文翻译：Attention Is All You Need 中文版
论文笔记：Attention is all you need

3. 模型目标函数

多目标优化目标函数:
$$\mathcal{L}={\mathcal{L}}_{traj}+\alpha {\mathcal{L}}_{node}$$

${\mathcal{L}}_{traj}$–负高斯对数似然, 轨迹是二维随机变量，作二元高斯分布假设，使用最大似然法。二元正态分布的概率密度函数
${\mathcal{L}}_{node}$–Huber损失函数，预测点的特征和masked 节点特征？？

为了避免由 优化${\mathcal{L}}_{node}$使得结点特征的幅度较小 而引起的平凡解，将结点特征L2正则化后再输入到后续的网路中。

---

20210430-还剩下related work 和实验部分没有整理

4.Related work

(介绍了4个部分的相关工作)

1. 自动驾驶中的行为预测–IntentNet, ConvNets, MultiPath…
2. 多agent交互预测
3. entities 集合的表征学习–图结点的表示方式
4. 自监督建模–来自NLP中单词补全任务

5.Experiment

5.1 实验设置

1 数据集
两个车辆行为预测bench-marks

1. Argoverse dataset：简介 每条轨迹5s，前2s作为观测，后3s作为标签
2. in-house behavior prediction dataset： 每条轨迹4s，前1s作为观测，后3s作为标签

两个数据集的历史轨迹都是从感知模型来的，所以有噪声（感知建模不准嘛）。Argoverse dataset的标签轨迹也是从感知来的，in-house behavior prediction dataset的标签轨迹是经过手工标记过的。

2 度量
ADE-Average Displacement Error–平均偏移误差，在时间$t=1.0,2.0,3.0s$预测轨迹处的偏移量，单位是米。

3 baseline–ConvNet
从最后一次观测到vehicle的帧开始，往前render N 个连续的帧，每一帧的分辨率为4004003。对于Argoverse 数据集来说400像素代表了130米，in-house数据集来说400像素代表了100米。将N帧堆叠在一起，形成一个4004003N 的图像输入数据。

ConvNet 网络模型输入数据的处理：crop the feature patch around the target vehicle from the convolutional feature map, and average pool over all the spatial locations of the cropped feature map to get a single vehicle feature vector。并且针对卷积的感受野，特征剪裁策略，和分辨率分别做了消融实验。

4 VectorNet
原则-尽量保证于ConVNet具有相同的输入信息(对比实验嘛，怎么公平怎么来)。 折线子图采用3层结构，全局图为一层结构，MLP 是64个结点。对context information，子图和全局图的层数做了消融实验。

5.2 消融实验

1.ConvNet 网络消融实验–卷积核、Crop 尺寸、图像分辨率
2.VectorNet 网络的消融实验–Context、Node Compl、子图和全局图的层数

5.3 模型资源消耗

FLOPs : FLOATING-POINT OPERATIONS PER SECOND–每秒浮点数计算
模型尺寸：

似乎pytorch可以有专门计算的接口: profile

5.4 与其他模型的对比实验

state-of-art： Agoverse Forecasting 挑战赛的冠军。结果统计在表格5中,VectorNet完胜。