Skip to content

Anchor Based 方法

在轨迹预测中的正样本和负样本的分类损失（Classification Loss）与回归损失（Regression Loss的计算方法，并通过具体的例子进行说明。

一、损失函数概述

在基于锚点（Anchor-based）的方法中，损失函数通常由两部分组成： 1. 分类损失（Classification Loss）：用于区分锚点是正样本还是负样本。 2. 回归损失（Regression Loss）：仅针对正样本，用于调整锚点以更好地拟合真实轨迹。

二、分类损失的计算

  1. 标签分配 • 正样本（Positive Samples）：与真实轨迹高度匹配的锚点，标签为1。 • 负样本（Negative Samples）：与真实轨迹匹配度较低的锚点，标签为0。

  2. 常用的分类损失函数 • 二元交叉熵损失（Binary Cross-Entropy Loss）：

三、回归损失的计算

  1. 标签分配 • 仅针对正样本：回归损失只计算正样本的预测轨迹与真实轨迹之间的差异。

  2. 常用的回归损失函数 • L2 损失（均方误差，MSE）：

四、总结

1
2
3
•   分类损失用于区分锚点是正样本还是负样本，通常采用二元交叉熵损失。
•   回归损失仅针对正样本，用于优化锚点的预测轨迹，常用的损失函数包括L2损失和平滑L1损失。
•   综合损失通过加权相加的方式，结合分类和回归损失，共同优化模型的性能。

通过合理设计和计算分类与回归损失，基于锚点的轨迹预测模型能够有效地学习区分有意义的轨迹模式，并准确调整预测以匹配真实的轨迹。