论文解读-MTrajRec: Map-Constrained Trajectory Recovery via Seq2Seq Multi-task Learning

原创

已于 2022-01-28 20:29:38 修改 · 2.2k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #自动驾驶

于 2022-01-28 11:45:37 首次发布

本文提出了一种名为MTrajRec的端到端深度学习模型，该模型能够将低采样率轨迹恢复为高采样率的地图匹配轨迹。通过引入多任务学习到Seq2Seq模型中，确保生成的轨迹符合道路网络的约束条件。模型包含约束屏蔽层、注意机制和属性模块以提高恢复精度。

本篇文章提出了一个轨迹回复的seq2seq模型，用于恢复轨迹中的细粒度点，并以端到端的方式在道路网络上进行地图匹配。

Introduction

轨迹的采样率对基于轨迹的各种应用有着重要的作用，然而由于能耗的影响，有着大量的低采样率的轨迹，为了有效的利用这些轨迹，我们需要回复这些轨迹，恢复之后还需要与路网完成匹配。

传统的方法是基于两级流水线的。神经网络的兴起为我们提供一个端到端的方法提供了机会。主要的挑战如下，（1）地图限制。（2）粗糙网格表示。（3）多样复杂的因素。

本文的贡献如下：（1）尝试通过Seq2Seq多任务学习来解决地图约束的轨迹恢复问题。（2）提出了一个的MTrajRec模型。利用约束掩码、注意机制和属性模块来提高性能。（3）使用真实世界的出租车轨迹数据集进行了大量实验。

Obview

本文工作的主要任务是给定一个低采样率的轨迹 $p1,p2,p3...pn}\tau=\{p_1,p_2,p_3...p_n\}$ ，推断其缺失点，得到 $ϵ\epsilon$ 采样的轨迹 $a1,a2,a3...an}\tilde{\tau}=\{a_1,a_2,a_3...a_n\}$

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

cxp_001

关注关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning

m0_37500540的博客

05-08

567

ABSTRACT 随着GPS模块的采用越来越多，基于轨迹数据分析的城市应用范围越来越广泛，如车辆导航、出行时间估计和驾驶员行为分析等。城市应用的有效性在很大程度上依赖于与地图精确匹配的轨迹的高采样率。然而，在现实生活中，由于一定的通信损耗和能量约束，在低采样率下收集了大量的轨迹。为了增强轨迹数据，更有效地支持城市应用，提出了许多轨迹恢复方法来推断自由空间中的轨迹。此外，恢复的轨迹还需要映射到路网，才能应用于应用。然而，首先推断高采样率轨迹，然后执行地图匹配的两阶段管道是不准确和低效的。在本文中，我们提出了

Multi-task Adversarial Learning for Semi-supervised Trajectory-User Linking

m0_53547520的博客

04-10

808

现有方法通常将 TUL 视为一个监督学习问题，需要大量标记的轨迹-用户对。然而，在实际场景中，由于数据隐私问题，用户可能不愿意公开他们的身份，从而导致标记轨迹用户对的稀缺。此外，轨迹数据通常是稀疏的，因为用户在去 POI 时并不总是签到。（1）标记的轨迹-用户对缺失（2）轨迹的签到点稀疏。然后作者提出了一个半监督学习框架。分为两个部分，第一部分是seq2seq部分，由编码器和解码器组成，主要用于完成轨迹补全。第二部分是体现半监督性质的对抗学习模块，由生成器和辨别器组成，主要用于完成用户与他生成的轨迹对应。

参与评论您还未登录，请先登录后发表或查看评论

论文笔记：MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning

qq_40206371的博客

09-22

534

每一个采样点由经度、纬度以及时间戳表示自由空间轨迹可为均匀或不均匀采样给定一个低采样率的自由空间上的轨迹τ以及目标的采样率ε，将其恢复至采样率为ε的地图匹配轨迹τ’

论文笔记：RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer

qq_40206371的博客

11-13

1417

具有固定样本间隔ερ的地图匹配后的GPS轨迹，即ρ = ⟨(q1, t1) , (q2, t1 + ερ) , ···, (qlρ , t1 + (lρ − 1)ερ)⟩。有向图G = (V, E)捕获给定轨迹的丰富时间特征。

论文笔记：AttnMove: History Enhanced Trajectory Recovery via AttentionalNetwork

qq_40206371的博客

11-11

787

轨迹：一个用户一天内按时间顺序的活动位置序列表示用户u在第n天第t个时间间隙所处的位置如果用户在t个时间间隙的位置信息未被观察到，则为空为用户当前轨迹，为用户u的历史轨迹本文将轨迹恢复问题定义为，给定一个用户当前轨迹及历史轨迹，恢复当前轨迹中的缺失位置信息，用以重建当前轨迹。

干货！基于Seq2Seq多任务学习的路网轨迹恢复

AITIME_HY的博客

01-28

1186

点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！随着GPS设备的普及，大量基于轨迹数据的智能应用迅速发展，例如导航系统、出行时间估计、司机驾驶行为分析等。这些应用的准确性依赖于匹...

FC-Planner: 一个基于骨架引导的快速覆盖复杂3D场景的规划框架方案实现与难点讲解

jiayoushijie的博客

06-23

2002

FC-Planner的实现涉及到多个领域的技术,包括计算几何、组合优化、凸优化等。其中的难点主要集中在两个方面:一是如何在保证覆盖完整性的同时最小化视点数量和路径长度;二是如何高效地求解由此产生的各种优化问题。针对第一个难点,提出了骨架引导的空间分解和视点生成策略,可以避免大量的冗余计算。针对第二个难点,巧妙地利用了问题的结构特点,将其分解为多个易于并行求解的子问题,同时采用了各种启发式算法和凸优化技术,大大提高了求解效率。这些思想和技术不仅限于无人机覆盖规划,在其他路径规划问题中也有广泛的应用前景。

CCF A类会议或期刊----近两年聚类相关论文

Thincor的博客

03-21

6617

会议/期刊论文 sigmod2021 Fast Density-Peaks Clustering: Multicore-based Parallelization Approach. sigmod2021 SharPer: Sharding Permissioned Blockchains Over Network Clusters. sigmod2021 Dynamic Structural Clustering on Graphs. sigmod2021 On Saving....

MTrajRec代码阅读笔记

m0_37500540的博客

05-09

397

MTrajRec算法主要是将gps轨迹从低采样数据中恢复/预测出一个高采样的轨迹数据，并能够与地图上面的道路相互对应，它是一个端到端的算法，无需二次匹配。从https://download.geofabrik.de/下载数据。运行multi_main.py后将自动划分训练集、验证集、测试集到。从Geofabrik下载格式化的OSM数据。训练时将tdrive_mm数据放在项目。根据裁剪的数据构建和存储道路网络。根据感兴趣的区域裁剪数据。:清理的轨迹数据路径。

【轨迹预测】MTR-Motion Transformer with Global Intention Localization and Local Movement Refinement

最新发布

zisuina_2的博客

05-13

1132

文章：https://arxiv.org/pdf/2209.13508代码：https://github.com/sshaoshuai/MTR/tree/master提出了运动变换器（MTR），它采用了一种新的具有迭代运动细化的transformer编码器-解码器结构来预测多模态未来运动。总体结构如图1所示。在第3.1节中，我们介绍了用于场景上下文建模的编码器网络。在第3.2节中，我们提出了一种具有运动查询对的新概念的运动解码器网络，用于预测多模态轨迹。

[自动驾驶算法][从0开始轨迹预测] [文献阅读笔记] [MTR]：Motion Transformer with Global Intention Localization and Local Mo

Bin_Dut的博客

07-04

3005

MTR模型的整体架构如图所示，(a) 表示稠密未来预测模块，它预测每个智能体的单个轨迹(例如，在上面的 (a) 中绘制为黄色虚线）。 (b) 表示动态地图收集模块，它沿着每个预测轨迹收集地图元素(例如，在（b）的上述部分中沿着每个轨迹绘制为阴影区域）以提供特定于轨迹的地图元素运动解码器网络的功能。 ©表示运动解码器网络，其中𝒦是运动查询对的数量，𝑇是未来帧的数量，𝐷是隐藏特征维度𝑁 是 Transformer 解码器层数。预测轨迹、运动查询对和查询内容特征是最后一个解码器层的输出，并将作为下一个解

[自动驾驶算法][从0开始轨迹预测][文献阅读笔记] [MTR++]:Multi-Agent Motion Prediction with Symmetric Scene Modeling and G

Bin_Dut的博客

07-04

1544

Waymo Open Motion Dataset 2023年冠军方案，较MTR适配了多智能体联合预测的技术方案[自动驾驶算法][从0开始轨迹预测] [文献阅读笔记] [MTR]：Motion Transformer with Global Intention Localization and Local MoMTR仓库。

【动手学轨迹预测】3.1 基于锚点的轨迹预测

自动驾驶小白说

02-17

1229

在Decoder解码部分, 需要得到自车与其他agent, 环境的交互信息, 进而得到最终的预测轨迹. 其中基于锚点的预测方法, 是指解码阶段不直接输出完整轨迹, 而是先预测出某个时间步的多个可能状态. 比如先预测出t3.0sXitxityitvitθit...

ICLR 2025 | 时空数据(Spatial-Temporal)高分论文总结

suzukiwudi的博客

12-21

3468

ICLR2025已经结束了讨论阶段，进入了meta-review阶段，分数应该不会有太大的变化了，本文总结了其中**时空数据(Spatial-Temporal)**高分的论文。如有疏漏，欢迎大家补充。：均分要大于等于6（≥6，即使有3，但是有8或者更高的分拉回来也算）：时空预测，轨迹生成，LLM以及基础模型等内容

【顶会KDD2021】 KDD2021时空数据处理文章汇总

huang_shao1的博客

10-29

4378

总共7篇关于时空数据处理的文章。 1.Dynamic and Multi-faceted Spatio-temporal Deep Learning for Traffic Speed Forecasting 动态图神经网络(dgnn)已成为最有前途的交通速度预测方法之一。然而，在采用dgnn进行交通速度预测时，现有方法通常基于静态邻接矩阵(无论是预定义的还是自学习的)来学习不同路段之间的空间关系，即使两个路段的影响在一天内可能会发生动态变化。而且，未来的交通速度不仅与当前的交通速度有关，还会受

【RTB机器人工具箱学习记录】轨迹规划函数

鱼香肉丝盖饭的博客

05-15

2334

文章目录五次多项式轨迹：`tpoly()``[S,SD,SDD] = tpoly(S0, SF, T, QD0, QD1)`混合曲线轨迹：`lspb()``[S,SD,SDD] = lspb(S0, SF, T, V)`多维轨迹：`mtraj()``[Q,QD,QDD] = mtraj(TFUNC, Q0, QF, T)`多段多维轨迹：`mstraj()``TRAJ=mstraj(WP,QDMAX,TSEG,QO,DT,TACC,OPTIONS)` 轨迹：时间、位置、速度、加速度给定时间0-2s，位置0

【机器人工具箱学习笔记】第三章时间与运动

qq_46142162的博客

03-15

1345

mstraj：基于中间点矩阵生成一个多段多轴轨迹。起点速度为0.5，终点速度为0的五次多项式轨迹。多维运动，x1从0到1变化，x2从2到-1变化。mtraj：将平滑的标量轨迹扩展成向量。起点和终点速度均为0的五次多项式轨迹。lspb：直线与抛物线混合轨迹。LSPB的笛卡尔位置时间曲线。笛卡尔运动的RPY时间曲线。LSPB的RPY时间曲线。interp：生成插值。poly：五次多项式。ctraj：轨迹插值。直线与抛物线混合轨迹。

机器人工具箱函数

m0_74024206的博客

06-26

506

0-3的位置之内进行51次插值,后两个是最大最小速度。五次多项式插值方法进行多维轨迹。即 [r,p,y] = tr2rpy(T)；，初始位置，插值间隔，加速时间，)

干货！一种适用性、可拓展性强的离线强化学习方法

AITIME_HY的博客

03-31

1537

点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！近年来，离线强化学习算法（Offline Reinforcement Learning）由于其不与环境交互，仅从数据集中学习策略，而得到越来越多的关注。与离线策略强化学习（Off-Policy Reinforcement Learning）不同，在离线场景下需要处理值函数估计中的外推误差，从而导致传统的Off-Po...