針對上述問題，我們對訓(xùn)練集做了2項預(yù)處理來提高訓(xùn)練集與測試集分布的一致性：

平衡性采樣；

場景數(shù)據(jù)正則化（缺失軌跡點插值，軌跡中心化以及隨機旋轉(zhuǎn)）。

此外，對于預(yù)測結(jié)果，我們也做了相應(yīng)的后處理操作進行軌跡修正，主要是軌跡點的裁剪以及基于非極大值抑制的軌跡選擇。圖7展示了兩個場景中行人的運動區(qū)域，可以看到有明顯的邊界，對于超出邊界的軌跡，我們做了相應(yīng)的修正，從而保證軌跡的合理性。

圖7 訓(xùn)練軌跡的可視化

最后在訓(xùn)練技巧上，我們也使用K－Fold Cross Validation和Grid Search方法來做自適應(yīng)的參數(shù)調(diào)優(yōu)。最終在測試集上取得FDE 1．24米的性能，而獲得比賽第二名的方法的FDE為1．30米。

五、總結(jié)

行人軌跡預(yù)測是當前一個非常熱門的研究領(lǐng)域，隨著越來越多的學者以及研究機構(gòu)的參與，預(yù)測方法也在日益地進步與完善。美團無人配送團隊也期待能與業(yè)界一起在該領(lǐng)域做出更多、更好的解決方案。幸運的是，這次競賽的場景與我們美團無人配送的場景具備一定的相似性，所以我們相信未來它能夠直接為業(yè)務(wù)賦能。目前，我們已經(jīng)將該研究工作在競賽中進行了測試，也驗證了算法的性能，同時為該算法在業(yè)務(wù)中落地提供了一個很好的支撐。

參考資料

［1］ Zhang P， Ouyang W， Zhang P， et al． Sr－lstm： State refinement for lstm towards pedestrian trajectory prediction［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 12085－12094．

［2］ Gupta A， Johnson J， Fei－Fei L， et al． Social gan： Socially acceptable trajectories with generative adversarial networks［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2018： 2255－2264．

［3］ Sadeghian A， Kosaraju V， Sadeghian A， et al． Sophie： An attentive gan for predicting paths compliant to social and physical constraints［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 1349－1358．

［4］ Liang J， Jiang L， Niebles J C， et al． Peeking into the future： Predicting future person activities and locations in videos［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 5725－5734．

［5］ Zhu Y， Qian D， Ren D， et al． StarNet： Pedestrian trajectory prediction using deep neural network in star topology［C］／／Proceedings of the IEEE／RSJ International Conference on Intelligent Robots and Systems． 2019： 8075－8080．

［6］ Li X， Ying X， Chuah M C． GRIP： Graph－based interaction－aware trajectory prediction［C］／／Proceedings of the  IEEE Intelligent Transportation Systems Conference． IEEE， 2019： 3960－3966．

［7］ Mohamed A， Qian K， Elhoseiny M， et al． Social－STGCNN： A Social spatio－temporal graph convolutional neural network for human trajectory prediction［J］． arXiv preprint arXiv：2002．11927， 2020．

［8］ Huang Y， Bi H K， Li Z， et al． STGAT： Modeling spatial－temporal interactions for human trajectory prediction［C］／／Proceedings of the IEEE International Conference on Computer Vision． 2019： 6272－6281．

［9］ Gao J， Sun C， Zhao H， et al． VectorNet： Encoding HD maps and agent dynamics from vectorized representation［J］． arXiv preprint arXiv：2005．04259， 2020．

［10］ Zhu Y， Ren D， Fan M， et al． Robust trajectory forecasting for multiple intelligent agents in dynamic scene［J］． arXiv preprint arXiv：2005．13133， 2020．

關(guān)于我“門”

將門是一家以專注于發(fā)掘、加速及投資技術(shù)驅(qū)動型創(chuàng)業(yè)公司的新型創(chuàng)投機構(gòu)，旗下涵蓋將門創(chuàng)新服務(wù)、將門技術(shù)社群以及將門創(chuàng)投基金。將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

將門創(chuàng)新服務(wù)專注于使創(chuàng)新的技術(shù)落地于真正的應(yīng)用場景，激活和實現(xiàn)全新的商業(yè)價值，服務(wù)于行業(yè)領(lǐng)先企業(yè)和技術(shù)創(chuàng)新型創(chuàng)業(yè)公司。

將門技術(shù)社群專注于幫助技術(shù)創(chuàng)新型的創(chuàng)業(yè)公司提供來自產(chǎn)、學、研、創(chuàng)領(lǐng)域的核心技術(shù)專家的技術(shù)分享和學習內(nèi)容，使創(chuàng)新成為持續(xù)的核心競爭力。

將門創(chuàng)投基金專注于投資通過技術(shù)創(chuàng)新激活商業(yè)場景，實現(xiàn)商業(yè)價值的初創(chuàng)企業(yè)，關(guān)注技術(shù)領(lǐng)域包括機器智能、物聯(lián)網(wǎng)、自然人機交互、企業(yè)計算。在近四年的時間里，將門創(chuàng)投基金已經(jīng)投資了包括量化派、碼隆科技、禾賽科技、寬拓科技、杉數(shù)科技、迪英加科技等數(shù)十家具有高成長潛力的技術(shù)型創(chuàng)業(yè)公司。