DEEPROUTE LAB | CVPR 2021-TPCN基于点云的轨迹预测

【DEEPROUTE LAB栏目介绍】元戎启行是一家国际领先的L4级自动驾驶全栈解决方案提供商，为车企、Tier1、出行公司、物流企业等提供多应用场景、定制化的自动驾驶解决方案。本栏目是我们创办的自动驾驶学术产业前沿知识共享平台。我们将会不定期分享公司内部的Paper Reading，也会在这分享我们对行业以及最新技术进展的理解，期待有越来越多的同学爱上自动驾驶，加入这个行业！

作者自述：
今天和大家介绍我司与香港科技大学合作的一篇cvpr2021文章。作者在三维相关的方面有丰富的工作经验；此篇论文讲述的是TPCN如何彻底地把点云以及indexing系统迁移到prediction任务

Introduction
随着自动驾驶的深入，planning以及prediction成为越来越关键的任务。以往的方法，其实大致可以分为三种，一种是ruled based的方式，通过运动学模型以及高精度地图进行约束。第二种就是纯learning based的model，第三种就是planning + learning的方式，通过一个传统的prediction或者planning模块提供高质量的proposal，然后通过learning的方式进行refine以及classification，有点像RCNN。对于纯learning based的方式，根据输入的representation也可以分为rasterization image(MultiPath, ChauffeurNet等)，vector representation(VectorNet)，以及以laneconv为代表的图卷积神经网络

总体来说prediction任务，其实是一个时间加空间信息相关的任务(给定地图信息以及一系列agent历史的轨迹，推测agent未来的轨迹)

1) 时间信息可以提供运动信息比如速度加速度
2) 空间信息更多的强调跟周围环境(地图)或者物体的交互信息。时间空间在这个任务里都是非常重要的部分，缺一不可

Motivation
对于这项任务，其实输入的就是离散的点，即使地图的车道线也可以离散化成地图点，同时这些点在空间上又具有稀疏性，离散稀疏，permutation invariant，尺度不变性，这几个属性其实就是点云数据的属性，只不过这些点有点带了时序信息，比如同一个agent在不同时刻的位置。因此点云处理的想法是非常有潜力应用在这个任务，只不过我们得通过额外的处理手段去提取时序信息。因此，我们提出了TPCN，这是一个灵活而且同一的框架用来处理prediction问题中时序空间信息，以及二者信息的融合。总体来说，TPCN核心包含了两个模块：
1) Dual-representation Spatial Learning
2) Dynamic Temporal Learning
图片说明

Approach
1) Dual-representation Spatial Learning
在点云任务中，PVCNN，PVRCNN等提出也论证了多视角，多种表征方式在点云特征学习的重要性，因此我们也采用了这种方式。本质上来说，这些方式其实都维护了不同表征下同一个点的一对一的索引关系，这里我们称之为indexing系统，有了这种一对一的mapping，我们可以很简单的完成point-level的的融合。在这种想法的引导下，其实空间跟时间的点在这个任务其实也存在一对一的映射关系，因此我们也可以建立一套空间点到时间点的一对一的映射关系，我们称为Instance Time Indexing的系统。Figure 2展示了一个简单的例子
图片说明

2) Dynamic Temporal Learning
一旦有了一套Instance Time Indexing，我们就可以非常方便在时间跟空间两个作用域进行point-level features的propagation，也可以时间跟空间上的point-level features的融合，这里之所以成为dynamic，是因为相比以前的方法，LaneConv是需要把所有的agents pad到固定的时间长度，然后处理的时间需要做masking，而我们的方式是没有任何冗余的特征表示形式。在此基础上，我们借鉴了PSPNet，利用GPU上的scatter，gather，unique等操作(从代码的实现角度来说，也有不少的成熟库实现了相关的操作，比如pytorch_scatter)，实现了多尺度的时间上的Multi-interval Learning以及Instance Pooling，具体操作可以参考文章的Sec.3.2.
图片说明

3) Joint Learning
有了时序特征以及空间特征，我们就在point-level的基础上就可以从时间转换到空间，也可以从空间转换到时间，时序特征以运动信息为主，空间信息关注地图，agent之间的交互，最后达到了一个统一灵活的学习框架

Useful Tricks and Learning

1) Displacement Prediction and Learning
因为prediction任务的多模态性质，很多时候网络会输出多条轨迹以及各自的概率，训练的过程中，一般是选择当前mFDE最小的轨迹进行反传，但是这个时候如果有两条的轨迹相当接近真值，其实也只会有一条进行反传，其实这是不合理的。因此受到IoU Loss的启发，我们不预测概率而是预测displacement error，这样在分类的loss branch，所有的样本以及预测的displacement都可以进行反传，这里不涉及到label的分配，把分类问题转化为回归问题，变成了一个类似于soft label的regression problem，实验证明displacement loss优于分类的loss
图片说明

2) Data augmentation
同时对数据的分布的统计，我们也做一些data augmentation，比如随机缩放，random point drop这些小的trick对于最后模型性能也存在一定的提升

Experiments
最后我们在argoverse上面的验证集以及测试集验证了我们方法的有效性，包含了各个模块的消融实验
图片说明

最后在argoverse测试集上，我们的TPCN有效地提高了SOTA~
图片说明

Rethinking

对于TPCN的时空模块来说，我们使用了sparse conv这种相比于rasterization image的方式，可以节省更多的内存，也是更compact的一种特征表达方式
对于TPCN来说，类似的idea其实可以拓展到很多领域，比如更多视角的点云空间的学习，其实也就是indexing系统，存在不同视角或者不同表征方式，我们只要能够找到一对一的mapping或者indexing关系，那么我们就可以完成point-level的融合以及特征层面上面的融合，而现有的代码scatter，gather，hashing，unique之类的函数都能够非常容易帮我们完成这一过程
PointCloud learning is all you need

Reference

TNT: Target-driveN Trajectory Prediction
Learning Lane Graph Representations for Motion Forecasting
MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses
VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation
ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst