3.3 轨迹属性相关Loss

category
type
status
slug
date
summary
tags
password
icon
上一节我们讲了回归损失, 也就是输出与真值之间的差异产生的loss. 如果我们想要对轨迹本身进行优化, 可以设计轨迹相关的loss.

3.3.1 运动学相关Loss

运动学相关的loss是为了使得轨迹尽量符合agent的运动学特性, 比如加速度,加加速度等等.

3.3.1.1 Acc 加速度

计算轨迹上离散点的加速度, 取超过最大允许加速度的偏差值计算损失

3.3.1.2 Jerk 加加速度

计算轨迹上离散点的加加速度, 取超过最大允许加加速度的偏差值计算损失

3.3.1.3 Lateral Acc 侧向加速度

计算轨迹上离散点的侧向加速度, 取超过最大允许侧向加速度的偏差值计算损失

3.3.1.4 Curvature 曲率

计算轨迹上离散点的曲率, 取超过最大允许曲率的偏差值计算损失

3.3.1.5 Curvature Ratio 曲率变化率

计算轨迹上离散点的曲率变化率, 取超过最大允许曲率变化率的偏差值计算损失

3.3.2 碰撞相关Loss

我们希望预测出的轨迹不会与其他agent的预测轨迹碰撞, 在现实世界中绝大部分情况也是如此. 但是目前还远远做不到预测出现实世界一样完美的轨迹. 一方面深度学习自身的特性, 就很难使其满足某项硬性约束; 另一方面, 不管是目前模型的能力, 还是算力都无法支撑这个需求.
为了尽量学习出安全的预测轨迹, 我们通常会惩罚轨迹间的碰撞和安全距离. 安全距离根据规则计算出来, 比如A车在跟随B车, 就可以利用跟车模型计算一个粗糙的安全距离. 是当前agent的预测轨迹在t时刻与其他agent轨迹t时刻的最小距离.

3.3.3 时间一致性Loss

由于预测轨迹的质量, 很大程度上会影响下游planning的结果. 而planning的结果又会直接影响车辆表现, 因此planning希望预测能够给出可靠的, 稳定的预测轨迹. 可靠性很难保证, 只能尽量相对可靠. 但是稳定性还是比较容易保证, 也就是前后帧之间预测的结果尽量一致.
notion image
因此我们可以在loss中, 添加前后一致性的loss, 只需要把上一帧的预测轨迹结果作为真值, 计算回归损失即可. 如果涉及到多模态, 就在每个模态单独回归损失.
 
上一篇
动手学控制理论
下一篇
端到端-理论与实战视频课程
Loading...