在實際操作過程中，由于數(shù)據集中缺乏場景信息，我們對模型做了適當?shù)恼{整。在世界模型中（對應上圖的Interaction Net），我們僅使用了現(xiàn)有數(shù)據集，以及模型能夠提供的位置信息和跟蹤信息LSTM隱狀態(tài)信息。最終得到的模型結構設計如下圖3所示：

圖3 競賽使用的基于世界模型的預測算法

整個模型基于Seq2Seq結構，主要包含歷史軌跡編碼模塊（Encoder）、世界模型（Interaction Module）和解碼預測模塊（Decoder）三個部分。其中，編碼器的功能在于對行人歷史軌跡進行編碼，主要提取行人在動態(tài)環(huán)境中的運動模式；解碼器則是利用編碼器得到的行人運動模式特征，來預測他們未來的運動軌跡分布。

需要強調一下，在整個編碼與解碼的過程中，都需要對世界模型進行實時更新（Update）與查詢（Query）兩種操作。更新操作主要根據時序的推進，將行人的運動信息實時編入世界模型中；查詢操作則是根據全局的世界地圖以及行人的自身位置，來獲取行人當前鄰域內的環(huán)境特征。

圖4 編碼階段

在圖4中，展示了我們模型在歷史軌跡編碼階段的計算流程。編碼階段共有9個時刻，對應9個歷史觀測時間點，每個時刻都執(zhí)行相同的操作。以 t 時刻為例。

首先，將 t 時刻的所有行人坐標數(shù)據，包含：

位置集合

速度集合

所有行人跟蹤信息（上時刻編碼得到的LSTM隱狀態(tài)）

將以上信息輸入到世界模型中更新地圖信息，即Update操作。整個Update操作經過MLP、MaxPooling以及GRU等模塊獲得一個全局的時空地圖特征R；然后，每個LSTM（對應一個行人），使用其當前觀測時刻的坐標信息：

然后與R進行Attention操作，得到個人領域內的時空特征，最后與他的坐標信息、上時刻隱狀態(tài)信息一并輸入到LSTM并更新LSTM內置狀態(tài)。

解碼預測階段的流程與歷史軌跡編碼階段基本一致，但存在兩個細微的不同點：

區(qū)別1：編碼階段每個行人對應的LSTM隱狀態(tài)的初始化為0；而解碼階段，LSTM由編碼階段的LSTM隱狀態(tài)和噪聲共同初始化。

區(qū)別2：編碼階段行人對應的LSTM和世界模型使用的是行人歷史觀測坐標；而解碼階段使用的是上時刻預測的行人坐標。

圖5 解碼預測階段

四、數(shù)據預處理與后處理

為了對數(shù)據有更好的理解，便于使用更適合的模型，我們對訓練數(shù)據做了一些預處理操作。首先，數(shù)據集給出了各個行人的行為標簽，這些標簽是根據規(guī)則得到的，由于我們采用了交互預測的方法，希望模型能自動學習行人與周圍主體之間的位置關系、速度關系等，所以我們就不直接使用標注中的“類型”信息；然后這次比賽的數(shù)據采集自馬路、校園等不同場景中行人的運動軌跡，場景之間的差異性非常大，訓練集和測試集數(shù)據分布不太一致。

于是，我們做了數(shù)據的可視化工作，將所有軌跡數(shù)據的起點放置于坐標軸的原點處，根據歷史觀測軌跡（前9個時刻）終點的位置朝向，將所有軌跡分為4類：沿左上方運動（top－left moving）、沿右上方運動（top－right moving）、沿左下方運動（bottom－left moving）和沿右下方運動（bottom－right moving）。分布的結果如圖6所示，可以發(fā)現(xiàn)，訓練集和測試集的數(shù)據分布存在一定的差距。

圖6 訓練集與測試集歷史觀測軌跡中行人運動方向分布