针对上述问题，我们对训练集做了2项预处理来提高训练集与测试集分布的一致性：
平衡性采样；
场景数据正则化（缺失轨迹点插值，轨迹中心化以及随机旋转）。
此外，对于预测结果，我们也做了相应的后处理操作进行轨迹修正，主要是轨迹点的裁剪以及基于非极大值抑制的轨迹选择。图7展示了两个场景中行人的运动区域，可以看到有明显的边界，对于超出边界的轨迹，我们做了相应的修正，从而保证轨迹的合理性。
图7 训练轨迹的可视化
最后在训练技巧上，我们也使用K－Fold Cross Validation和Grid Search方法来做自适应的参数调优。最终在测试集上取得FDE 1．24米的性能，而获得比赛第二名的方法的FDE为1．30米。
五、总结
行人轨迹预测是当前一个非常热门的研究领域，随着越来越多的学者以及研究机构的参与，预测方法也在日益地进步与完善。美团无人配送团队也期待能与业界一起在该领域做出更多、更好的解决方案。幸运的是，这次竞赛的场景与我们美团无人配送的场景具备一定的相似性，所以我们相信未来它能够直接为业务赋能。目前，我们已经将该研究工作在竞赛中进行了测试，也验证了算法的性能，同时为该算法在业务中落地提供了一个很好的支撑。
参考资料
［1］ Zhang P， Ouyang W， Zhang P， et al． Sr－lstm： State refinement for lstm towards pedestrian trajectory prediction［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 12085－12094．
［2］ Gupta A， Johnson J， Fei－Fei L， et al． Social gan： Socially acceptable trajectories with generative adversarial networks［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2018： 2255－2264．
［3］ Sadeghian A， Kosaraju V， Sadeghian A， et al． Sophie： An attentive gan for predicting paths compliant to social and physical constraints［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 1349－1358．
［4］ Liang J， Jiang L， Niebles J C， et al． Peeking into the future： Predicting future person activities and locations in videos［C］／／Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition． 2019： 5725－5734．
［5］ Zhu Y， Qian D， Ren D， et al． StarNet： Pedestrian trajectory prediction using deep neural network in star topology［C］／／Proceedings of the IEEE／RSJ International Conference on Intelligent Robots and Systems． 2019： 8075－8080．
［6］ Li X， Ying X， Chuah M C． GRIP： Graph－based interaction－aware trajectory prediction［C］／／Proceedings of the IEEE Intelligent Transportation Systems Conference． IEEE， 2019： 3960－3966．
［7］ Mohamed A， Qian K， Elhoseiny M， et al． Social－STGCNN： A Social spatio－temporal graph convolutional neural network for human trajectory prediction［J］． arXiv preprint arXiv：2002．11927， 2020．
［8］ Huang Y， Bi H K， Li Z， et al． STGAT： Modeling spatial－temporal interactions for human trajectory prediction［C］／／Proceedings of the IEEE International Conference on Computer Vision． 2019： 6272－6281．
［9］ Gao J， Sun C， Zhao H， et al． VectorNet： Encoding HD maps and agent dynamics from vectorized representation［J］． arXiv preprint arXiv：2005．04259， 2020．
［10］ Zhu Y， Ren D， Fan M， et al． Robust trajectory forecasting for multiple intelligent agents in dynamic scene［J］． arXiv preprint arXiv：2005．13133， 2020．
关于我“门”
将门是一家以专注于发掘、加速及投资技术驱动型创业公司的新型创投机构，旗下涵盖将门创新服务、将门技术社群以及将门创投基金。将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。
将门创新服务专注于使创新的技术落地于真正的应用场景，激活和实现全新的商业价值，服务于行业领先企业和技术创新型创业公司。
将门技术社群专注于帮助技术创新型的创业公司提供来自产、学、研、创领域的核心技术专家的技术分享和学习内容，使创新成为持续的核心竞争力。
将门创投基金专注于投资通过技术创新激活商业场景，实现商业价值的初创企业，关注技术领域包括机器智能、物联网、自然人机交互、企业计算。在近四年的时间里，将门创投基金已经投资了包括量化派、码隆科技、禾赛科技、宽拓科技、杉数科技、迪英加科技等数十家具有高成长潜力的技术型创业公司。
