本文介绍了元戎启行与香港科技大学合作的一篇 CVPR 2021 文章，此篇论文讲述的是 TPCN 如何彻底地把点云以及索引系统迁移到预测任务。
随着自动驾驶技术的深入，规划和预测成为越来越关键的任务。以往的方法大致可以分为三种：第一种是基于规则的方式，通过运动学模型以及高精度地图进行约束；
第二种是纯基于学习的模型；
第三种就是「规划 + 学习」的方式，通过一个传统的预测或者规划模块提供高质量的候选区，然后通过学习的方式进行优化以及分类，比如 RCNN。对于纯基于学习的方式，根据输入的表征也可以分为栅格化图像网络(MultiPath, ChauffeurNet 等)，向量表征(VectorNet)，以及以 laneconv 为代表的图卷积神经网络。
总体来说预测任务，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智能体历史轨迹，推测智能体未来的轨迹)：时间信息可以提供运动信息，比如速度加速度；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。
论文链接：https://arxiv.org/pdf/2103.03067.pdf这项任务输入为离散的点，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、离散稀疏性、置换不变性和尺度不变性等特点。这几个属性其实就是点云数据的属性，只不过有些点带了时序信息，比如同一个智能体在不同时刻的位置。因此点云处理的想法是非常有潜力应用在这个任务上，只不过需要通过额外的处理手段去提取时序信息。因此，研究人员提出了 TPCN，这是一个灵活而且同一的框架用来处理预测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：
在点云任务中，PVCNN、PVRCNN 等的提出论证了多视角、多种表征方式在点云特征学习的重要性，因此该研究也采用了这种方式。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，这里称之为索引系统，有了这种一对一的映射，研究人员可以很简单的完成点级别的融合。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，因此也可以建立一套空间点到时间点的一对一的映射关系，称为示例时间索引（Instance Time Indexing）系统。下图 2 展示了一个简单的例子：
一旦有了一套示例时间索引（Instance Time Indexing），就可以非常方便的在时间跟空间两个作用域进行点级别特征的传播，也可以进行时间和空间上的点级别特征融合，这里之所以为动态，是因为相比以前的方法，LaneConv 是需要把所有的智能体 pad 到固定的时间长度，然后处理的时间需要做掩码，而该研究采用的方式是没有任何冗余的特征表示形式。在此基础上，研究人员借鉴了 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 学习以及示例池化，具体操作可以参考文章的第 3.2 节。
有了时序特征以及空间特征，在点层级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，智能体之间的交互，最后达到了一个统一灵活的学习框架。因为预测任务的多模态性质，很多时候网络会输出多条轨迹以及各自的概率。在训练过程中，一般是选择当前 mFDE 最小的轨迹进行反传，但是如果有两条轨迹接近真值，那么只会有一条进行反传，然而这是不合理的。受到 IoU Loss 的启发，该研究不预测概率而是预测位移误差，这样在分类的 loss branch，这样一来所有的样本以及预测的位移都可以进行反传，这里不涉及标签的分配，把分类问题转化为回归问题，变成了一个类似于 soft label 的回归问题，实验证明位移损失优于分类损失。
该研究也做了一些数据增强方面的研究，比如随机缩放、随机的 drop 一些点，这些小技巧也能提升模型性能。最后研究人员在 argoverse 数据集上进行了验证与测试，以及各个模块的消融实验，实验结果如下：
最后在 argoverse 测试集上，该研究的 TPCN 有效地提高了 SOTA 性能：
1. 对于 TPCN 的时空模块来说，相比于栅格化图像，研究人员使用了稀疏卷积，可以节省更多的内存，这也是一种更紧凑的特征表达方式；2. 对于 TPCN 来说，类似的想法可以拓展到更多领域，比如具有更多视角的点云空间的学习，其实就是索引系统，其存在不同视角或者不同表征方式，只要找到一对一的映射或者索引关系，那么就可以完成点级别的融合以及特征层面上的融合，而现有的代码 scatter、gather、hashing、unique 之类的函数都能够非常容易帮完成这一过程；3. PointCloud learning is all you need。1. TNT: Target-driveN Trajectory Prediction.2. Learning Lane Graph Representations for Motion Forecasting.3. MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses.4. VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation.5. ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst. 
