【技术实现步骤摘要】
本专利技术涉及轨迹预测领域，具体涉及一种基于子类平衡对比学习的长尾行人轨迹预测方法。
技术介绍
1、在自动驾驶领域，行人轨迹预测至关重要。当前主流的轨迹预测方法依赖公共数据集来训练预测模型，但是大多数方法对数据集中的每个样本进行平等对待，忽略了其中存在的长尾分布问题。在实际交通场景中，大多数轨迹表现为简单的运动模式，如直线匀速运动，而急转弯、掉头等复杂运动模式则较为罕见。因此，模型在简单运动模式的样本上学习较为充分，容易准确预测；然而，对于数量较少的复杂运动模式，模型则可能产生显著的预测误差，这种误差往往对自动驾驶的安全性构成威胁。
2、针对数据长尾分布(即少数类别拥有大量样本，而大多数类别只有很少的样本量)问题，常见方法包括重采样和损失重加权。重采样通过不同的采样策略来平衡数据分布，会影响模型整体性能。损失重加权方法对不同类别样本赋予不同的损失权重，以减少头部类的优势，但可能导致模型在头部样本上的性能下降。这两种方法都存在缺陷。
3、因此，如何有效缓解行人轨迹预测中的长尾分布问题具有重要意义。
【技术保护点】
1.一种基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
2.根据权利要求1所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
3.根据权利要求1所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
4.根据权利要求3所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
5.根据权利要求1所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
6.根据权利要求5所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
【技术特征摘要】
1.一种基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
2.根据权利要求1所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
3.根据权利要求1所述的基于子类平衡对比学习的长尾行人轨迹预测方法，其特征在于，
4...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。