文献阅读报告 - 3DOF Pedestrian Trajectory Prediction

文献

Sun L , Yan Z , Mellado S M , et al. 3DOF Pedestrian Trajectory Prediction Learned from Long-Term Autonomous Mobile Robot Deployment Data[J]. 2017.

概览

文章所提出的模型基于LSTM框架，旨在预测行人的姿态信息（位置坐标和朝向）。就模型本身而言，其结构基本与Vanilla LSTM保持一致，不具有共享LSTMs信息的池化层结构，但数据有所改变：数据为3DOF行人姿态的称作Pose-LSTM，数据为3DOF行人姿态+Time的称作T-Pose-LSTM，与此同时，文章在数据、训练等又有新的创新点。

创新点

自动标注：受益于当今更加先进的2D laser and RGB-D sensors 和 3D LiDAR，使得移动机器人准确测量成为可能，文章模型评估时所使用的数据正是由上述两种sensors感应和自动标注完成的。
新增行人姿态和时间日期信息：模型的输入和输出在原有世界坐标系下二维坐标的基础上，增加转向角(yaw)方向坐标，形成了3DOF数据，评价指标在ADE基础上增加AEDE（平均欧拉角度误差）；并且输入了兼顾长时间和短时间的日-小时-分-秒信息，使模型关注长时间下环境的变化。
长时常数据和动态训练长度：文章评估模型时所使用数据库之一的STANDS具有约3192h的信息记录，相比UCY、ETH等小于1小时的数据库时间跨度大幅提升，更符合移动机器人实际环境下的应用；同时，在训练时模型并不指定统一的seq_length，长度根据轨迹原有长度自动调整，只需定义最大长度并结合真值mask即可统计每条轨迹输出中的有效部分。

Future Work

扩展L-CAS数据库（现时长小于1h）至数周时长。
调研Pose-LSTM在真实环境下动态学习训练的可能性。

模型概述

T-Pose-LSTM和Pose-LSTM仅在输入数据上有日期时间的差异，在介绍时以T-Pose-LSTM为中心。下图中我们可以看到T-Pose-LSTM的基本结构，其与轨迹预测的Vanilla LSTM基本模型是基本一致的：

默认具有三层的LSTM结构，但每层的LSTM Cell均共享一个权重系数以免增加权重。
场景中出现的每一条轨迹对应一个LSTM序列，但序列之间是完全独立的，没有池化层等信息交流的途径。

数据规范

给定已知随时间变化（间隔为\(\Delta t\)）的轨迹信息\(O:\{o_t, ...,o_{t+n+1}\}\)，模型实质为\(\{o_t, ..., o_{t+n}\}\)与\(\{o_{t+1},...,{o_{t+n+1}}\}\)之间的encoder-decoder。对于原始的\(o_t\)数据应为6DOF——六自由度数据：

\[o_t = \{x,y,z,q_x,q_y,q_z,q_w\}\]

但基于行人的水平面高度是固定的，只具有偏航(yaw)的角度自由度，因此\(o_t\)可以被简化为：

\[o_t = \{x,y,z,q_z,q_w\}\]

数据规范中的一个重点是6DOF格式数据，其是用于衡量刚体的姿态信息的数据规格，包括三个空间坐标和三个沿轴旋转的角度。对于三维空间中的角度变换，文章中的数据并没有熟悉的三维角度坐标\((\alpha,\beta,\gamma)\)表示，而是使用了汉密尔顿四元数\((q_x,q_y,q_z,q_w)\) ，汉密尔顿四元数实际刻画四维空间的旋转，通常其用于表示特殊的旋转（三维空间中绕轴旋转）：

给定三维轴向量\((x,y,z)\)，对应四元数\(q=(cos({\theta\over2}),sin({\theta \over 2})*x,sin({ \theta \over 2})*y, sin({\theta \over 2}) * z)\)（其中\(\theta\)为旋转绕轴旋转角度）
四元数共轭为\(q^{-1}=(cos({\theta\over2}),-sin({\theta \over 2})*x,-sin({ \theta \over 2})*y, -sin({\theta \over 2}) * z)\)
对于三维坐标中的待旋转点\((w_x,w_y,w_z)\)，生成其纯四元数\(q_w=(0,w_x,w_y,w_z)\)，则其绕轴旋转后的四元数（也就是坐标）为：

\[(0,w_x',w_y',w_z') = q * q_w * q^{-1}\]
结论：根据四元数\(q\)的定义方式，我们就可以知道为什么6DOF数据中\((q_x,q_y,q_z,q_w)\)在仅有偏航旋转（绕z轴旋转）的假设上变化为\((0,0,q_z,q_w)\)。

安利有关四元数的原理和应用的知乎回答，上文也摘编自其。

如何形象地理解四元数？ - Yang Eninala的回答 - 知乎
https://www.zhihu.com/question/23005815/answer/33971127

模型公式

LSTM迭代公式：

\[h_{t+1} = LSTM(\phi(o_i,W_e),h_t;W_l)\]

模型预测输出格式：\((\mu_x,\mu_y,\sigma_x,\sigma_y,\rho, q_p^z,q_p^w)\)：

\((\mu_x,\mu_y,\sigma_x,\sigma_y,\rho )\)用于基于二维高斯分布求解二维坐标。
\((q_p^z,q_p^w)\)合成为\((0,0,q_p^z,q_p^w)\)四元数，用于计算方向姿态。

损失函数

\[loss = \Sigma^N_i \Sigma^n_j(-log(PDF((x_{gt},y_{gt})^{i,j},N^{i,j}(\mu,\sigma)))+||r_p^{i,j} - r_{gt}^{i,j}||^2 + \lambda ||W||_2)\]

模型的损失函数由三部分组成：第一部分是二维坐标损失，其计算基于输出是二维高斯分布的假设，PDF-Gaussian Probabilistic-Density-Function 所求的其实就是\((x_{gt},y_{gt})\)在预测高斯分布下的概率密度；第二部分是角度偏向损失，使用欧拉角度距离；第三部分是L2正则化损失函数，防止神经网络过拟合。

之前提到过模型训练需支持动态序列长度，因此用于存储序列数据的向量长度并未和序列真实长度一致，因此需要使用mask去除无关的loss，\(1[.,.]\)是真值函数：

\[loss_{batch} = 1_i[row_i,col_j] \odot [loss_i]\]

实验

数据集

文章所用的均是新数据集-STRANDS、L-CAS，分别由装载在可移动机器人上的2D with depth sensor和3D LiDAR采集，并都将坐标转换到了世界坐标系下。

STRANDS

场景：关护中心的服务机器人，历时19周，行走距离87km。
技术：自动标注，对于行人检测，使用kinect检测上肢，2D-laser检测下肢，二者合成卡尔曼滤波追踪框架。
数据：共采集17609个轨迹，平均时长22.6s。

L-CAS

场景：林肯大学的大型室内空间-餐厅、咖啡店和休息区，包含挑战性轨迹如团队、小孩、手推车等。历时19分钟。
技术：Velodyne VLP-16 3D LiDAR
数据：共采集925个轨迹，平均时长13.5s。

评价

对比模型：Social LSTM、Pose-LSTM、T-Pose-LSTM
ADE - Average Distance Error
AEDE - Average Eulerian angle Difference Error \({1 \over {N*n}}\Sigma^N_i \Sigma^n_j min (|r_p^{i,j} - r_{gt}^{i,j}|,2\pi-|r_p^{i,j} - r_{gt}^{i,j}|)\)
STRANDS：\(\Delta t =1s\)，输入5s，预测后续的1-9秒。三分之二训练，其余预测。
L-CAS：\(\Delta t = 0.4\)，输入3.2秒，预测后续4.8秒。三分之二训练，其余预测。

High Lights

STRANDS测试中，预测时间小于5秒时三种方法性能相近，5S后T-Pose-LSTM表现显著提升。
STRANDS测试中，Pose-LSTM和Social-LSTM对比发现纵使没有提供时间信息，姿态信息也有助于提升位置判断的准确性。

L-CAS测试中，Pose-LSTM的AEDE误差高达\(35^o\) ，这是因为使用贝叶斯追踪器自动标准静态人并不准确。