BevQuery这里的 camera feature和 target feature的融合代码有问题？

[792864625]

这个位置应该改成image_feature吧，不然相当于是后面traj pred的网络完全没用到图像特征，只用target point的坐标强行拟合到训练集上去的？

[792864625]

另外76行应该是 bev_feature = bev_feature.permute(0,2,1) 吧，不然后面traj decoder输入维度也完全不对啊，这模型不是在强行收敛么，这应该不是你们论文源码吧。。。。。

[ChauncyLeee]

@792864625 您好，非常感谢您的关注。正常的网络模型应该不存在强行收敛的问题。我们之前做过一些去除图像特征、轨迹解码的消融实验，由于历史版本管理的疏忽，导致开源代码进行优化删减时确实引入了一些问题。我们近期会检查问题，并提供对应的训练模型。感谢并欢迎您的持续关注和建议！

[ChauncyLeee]

感谢您提供的建议，我们已经修正了相关的代码并提供了新的预训练模型。

[792864625]

大佬，方便给一份训练数据嘛？我这边自己的数据训练不收敛，想通过您的数据验证下自己的数据问题。

[ChauncyLeee]

请问您这边数据训练不收敛具体表现是什么呢？关于训练数据，请问您是自己采集的数据吗？在代码的README中提供了一个ros的bag包可以生成训练数据做测试。

[792864625]

嗯嗯是的，我是自己采集的数据，然后用我们avm轨迹算法生成的GT，可视化后看上去轨迹是没问题的。不收敛的表现是： （1）训练的结果总有一个倒车方向预测的是反的，比如说向左后倒车，轨迹被预测成右后。但另一个方向的预测是对的。 （2）如果我用单个倒车方向进行训练（不管是左倒车，还是右倒车），预测的结果也是对的。 （3）我用您提供的20个视频进行训练，两个方向的预测都是对的。 对于第一个问题我现在实验中用了focal loss的话，效果会好一些。所以我比较困惑是不是我的数据分布存在问题。但是我把轨迹数据分布可视化看了下，好像和您的也差不多。横轴是0-1200个分类，纵轴是统计量

[ChauncyLeee]

如果在训练数据上推理也出出现预测反向，您可以确认一下代码和自采数据中涉及到的坐标系定义是否一致，以及目标点给定是否正确。 关于训练数据，如果您这边方便提供邮箱的话，我可以提供一些数据方便您调试。

[792864625]

感谢大佬，792864625@qq.com

[ChauncyLeee]

已发送，请注意查收。