Розроблення автоматизованої системи передбачення траєкторії руху міського транспорту на основі глибокого навчання

Abstract

Першим внеском роботи є дослідження типів координат і збільшення даних. Після порівняння простого LSTM, навченого з абсолютними координатами, координатами з початком координат в першій точці спостереження, координатами з початком координат в останній точці спостереження та відносними координатами, показано, що координати з початком координат в останній точці спостереження є тими, що отримати найкращі результати. Це пояснюється тим, що цей тип координат має структуру, завдяки якій мережа може зрозуміти порядок координат, а також тому, що остання точка спостереження є найважливішою, оскільки вона є останньою. Також можна стверджувати, що краще навчати мережу із середньою помилкою зміщення (ADE) як втрату замість використання середньоквадратичної помилки як втрату. Оскільки кількість вхідних зразків у наборі даних ETH-UCY та наборі даних TrajNet обмежена, було перевірено різні методи доповнення даних. Було виявлено, що додавання гаусового шуму із середнім 0 до кожної точки та випадкових обертань може значно покращити результати простого LSTM, особливо в сценах ETH і Hotel набору даних ETH-UCY. Остаточним внеском роботи є дослідження ефективності різних методів включення соціальної інформації. The first contribution of the work is the study of coordinate types and data augmentation. After comparing a simple LSTM trained with absolute coordinates, coordinates with the origin of coordinates at the first observation point, coordinates with the origin of coordinates at the last observation point, and relative coordinates, it is shown that the coordinates with the origin of coordinates at the last observation point are the ones that get the best results. This is because this type of coordinate has a structure that allows the network to understand the order of the coordinates, and because the last observation point is the most important because it is the last. It can also be argued that it is better to train the network with the average displacement error (ADE) as the loss instead of using the rms error as the loss. Since the number of input samples in the ETH-UCY dataset and the TrajNet dataset is limited, different data augmentation methods were tested. It was found that adding 0-mean Gaussian noise to each point and random rotations can significantly improve the results of a simple LSTM, especially in the ETH and Hotel scenes of the ETH-UCY dataset. The final contribution of the work is the study of the effectiveness of various methods of including social information.