Trajectory Forecasting：TrajNet++-linux运维-PHP中文网

Trajectory Forecasting：TrajNet++

蓮花仙者

发布： 2025-06-27 11:40:04

原创

542人浏览过

概述

随着自动驾驶和服务机器人等新兴人工智能应用需求的不断增长，在拥挤场景中进行轨迹预测已成为近年来一个重要课题。有效建模社交互动是轨迹预测的一大挑战。过去几年中，已提出多种新颖方法。然而，这些方法是在可用数据的不同子集上进行评估的，因此难以客观比较结果。TrajNet++，一个大规模的以交互为中心的基于轨迹的基准测试，不仅包含适当的轨迹采样数据，还提供统一的广泛评估系统，用于测试收集的方法，以进行公平比较。

标注格式场景代码语言：javascript代码运行次数：0运行复制```javascript {“scene”: {“id”: 266, “p”: 254, “s”: 10238, “e”: 10358, “fps”: 2.5, “tag”: 2}}

id: 场景ID p: 行人ID s, e: 行人“p”的开始和结束帧ID fps: 帧率。tag: 轨迹类型。详细讨论如下。
<p>轨迹代码语言：javascript代码运行次数：0<svg fill="none" height="16" viewbox="0 0 16 16" width="16" xmlns="<a href="https://www.php.cn/link/c9041cfd2a40932691855abd98fd219a">http://www.w3.org/2000/svg"><path</a> d="M6.66666 10.9999L10.6667 7.99992L6.66666 4.99992V10.9999ZM7.99999 1.33325C4.31999 1.33325 1.33333 4.31992 1.33333 7.99992C1.33333 11.6799 4.31999 14.6666 7.99999 14.6666C11.68 14.6666 14.6667 11.6799 14.6667 7.99992C14.6667 4.31992 11.68 1.33325 7.99999 1.33325ZM7.99999 13.3333C5.05999 13.3333 2.66666 10.9399 2.66666 7.99992C2.66666 5.05992 5.05999 2.66659 7.99999 2.66659C10.94 2.66659 13.3333 5.05992 13.3333 7.99992C13.3333 10.9399 10.94 13.3333 7.99999 13.3333Z" fill="currentcolor"></path></svg>运行<svg fill="none" height="16" viewbox="0 0 16 16" width="16" xmlns="<a href="https://www.php.cn/link/c9041cfd2a40932691855abd98fd219a">http://www.w3.org/2000/svg"><path</a> clip-rule="evenodd" d="M4.5 15.5V3.5H14.5V15.5H4.5ZM12.5 5.5H6.5V13.5H12.5V5.5ZM9.5 2.5H3.5V12.5H1.5V0.5H11.5V2.5H9.5Z" fill="currentcolor" fill-rule="evenodd"></path></svg>复制```javascript
{“track”: {“f”: 10238, “p”: 248, “x”: 13.2, “y”: 5.85, “pred_number”: 0, “scene_id”: 123}}

登录后复制

f: 帧ID p: 行人ID x, y: 帧“f”中行人“p”的x和y坐标（以米为单位）。pred_number: 预测编号。这在提供多个预测而非单一预测时有用。最多允许3个预测。scene_id: 在提供场景中其他代理的预测而非仅主要行人预测时有用。

轨迹分类 Trajectory Forecasting：TrajNet++ 评价单模态指标：单一预测平均位移误差（ADE）：在所有预测时间步长上，主行人的真实轨迹与预测轨迹之间的平均L2距离。数值越低越好。

最终位移误差（FDE）：主行人的最终真实坐标与最终预测坐标之间的L2距离。数值越低越好。

预测碰撞（Col-I）：计算主行人与场景中邻近行人的碰撞百分比。使用邻近行人的模型预测来检查碰撞发生情况。数值越低越好。

真实碰撞（Col-II）：计算主行人与场景中邻近行人的碰撞百分比。使用邻近行人的真实轨迹来检查碰撞发生情况。数值越低越好。

多模态指标：多重预测Topk平均位移误差（Topk_ADE）：对于一个观察到的场景，给定k个输出预测，该指标计算在ADE方面最接近真实轨迹的预测的ADE。数值越低越好。在此挑战中，k=3。

Topk最终位移误差（Topk_FDE）：对于一个观察到的场景，给定k个输出预测，该指标计算在ADE方面最接近真实轨迹的预测的FDE。数值越低越好。在此挑战中，k=3。

平均负对数似然（NLL）：对于一个观察到的场景，给定n个输出预测，该指标计算在预测时间范围内，模型预测分布中真实轨迹的平均负对数似然。数值越高越好。在此挑战中，n=50。

参考aicrowd trajnet challengeAwesome Interaction-aware Behavior and Trajectory PredictionHuman Trajectory Forecasting in Crowds:A Deep Learning PerspectiveTrajNet++: Large-scale Trajectory Forecasting Benchmark

以上就是Trajectory Forecasting：TrajNet++的详细内容，更多请关注php中文网其它相关文章！