18、多级别卷积神经网络在轨迹预测中的应用

多级别卷积神经网络在轨迹预测中的应用

1 多级别卷积神经网络概述

多级别卷积神经网络（Multi-level CNNs）在信息传输方面能够加强不同子网之间的连接，从而提升预测的准确性和鲁棒性。其中，损失函数的设计对网络训练和预测性能有着重要影响。

1.1 损失函数设计

在以往的多级网络中，每个级别受到的监督是均等的。而新设计的损失函数引入了加权因子和目标因子。
- 加权因子 ：用于在损失函数中赋予高级损失更多的权重，以更好地优化高级网络的训练。高级损失通常指对最终预测结果更重要的损失，如分类损失或关键点损失。通过增加这些高级损失的权重，模型能更关注重要损失，优化网络。
- 目标因子 ：强调目标的重要性。在损失函数中，模型使用目标因子调整每个级别的目标权重，以优化网络。目标因子可根据不同任务进行调整，例如在目标跟踪任务中，可设置较高的目标因子权重，以更关注目标的位置和运动信息。

损失函数的计算公式如下：
$W_i = 1 + \ln(1 + \frac{i}{\tau})$ (5.32)
$L = \sum_{i=1}^{k} W_i \times (|| \hat{Y}_i - Y ||_2^2 + \lambda || \hat{Y}_i^G - Y^G ||_2^2)$ (5.33)

1.2 模型验证

为评估轨迹预测模型，使用了斯坦福无人机数据集（SDD）、ETH和UCY数据集。通过评估这些数据集，可了解模型在不同场景下的性能，如预测准确性、鲁棒性和实时性能。同时，这些数据集的公开性便于与其他研