1.数据集数据分析
Argoverse 1
https://www.argoverse.org/av1.html#forecasting-link下载对应的“Argoverse HD Maps”以及“Argoverse Motion Forecasting v1.1”
1.1数据集分析
通过下载Sample Datasets v1.1>Motion Forecasting文件包对数据集进行分析。这里给出了5个场景的数据csv文件，每个csv文件代表一个场景，读取任一文件，主要包括“时间戳TIMESTAMP、跟踪id TRACK_ID、目标类别OBJECT_TYPE、坐标x,y、采集的城市CITY_NAME”
1.1.1 时间戳 TIMESTAMP
采集频率是10Hz，因此时间步是0.1s，总长是5s，意味着每个场景每个目标最多有50个样本点；其中AV、AGENT样本数固定为50个，OTHERS最多为50个(OTHTER在场景中有出现和消失地现象)。
1.1.2 跟踪id TRACK_ID
作为识别和匹配的依据。
1.1.3 目标类别OBJECT_TYPE
主要包括： 自动驾驶自车AV、显示感兴趣的车辆AGENT、其他感兴趣的对象OTHERS.
1.1.4 坐标x,y
示例中给出了三种类别的坐标精确到小数点后7位。是连续轨迹的离散化。
Argovers数据集目标检测部分给出的类别挺多的，但是在轨迹预测上并没有给出类别标签，这是限制了预测模型性能的重要原因之一，因为同种场景下，同种类别不同类型智能体对其他智能体的交互影响是显式地不一样的。
1.1.5采集的城市CITY_NAME
匹配高精地图。
2.HD Map API 的使用
GitHub – argoverse/argoverse-api: Official GitHub repository for Argoverse datasethttps://github.com/argoverse/argoverse-api
2.1 API 的安装
2.1.1 Clone
在创建的项目环境下（是conda创建的项目环境），通过复制以下 repo 下载API：
git clone https://github.com/argoai/argoverse-api.git2.2.2 Download HD map data
从Argoverse 1下载 hd_maps.tar.gz 并解压缩到repo的根目录中。目录结构应该如下所示：
argodataset
└── argoverse
└── data_loading
└── evaluation
└── map_representation
└── utils
└── visualization
└── map_files
└── license
…
2.2.3 Download Argoverse-Forecasting
Argoverse 提供了完整的数据集和数据集的样本版本，用于测试目的。Argorverse预测包含327790个有趣的场景序列。每个序列都跟随主要智能体的轨迹5秒，同时跟踪所有其他参与者（如汽车、行人）。我们将它们分为208272个训练序列、40127个验证序列和79391个测试序列。我们还在forecasting_sample.tar.gz中提供了样本数据（5个序列）。
需要注意的是，需要下载高清地图数据（并将其提取到项目根文件夹中），以便API正常运行。下载Argorvers Forecasting，数据可以提取到本地计算机中的任何位置。
2.2.4 Install argoverse package
argoverse可以作为python包安装，使用
pip install -e /path_to_root_directory_of_the_repo/确保可以在python中运行 python -c “import-argoverse”，就可以开始了！
2.2 使用
Argorverse API提供了与我们数据集的三个主要组件交互的有用功能：HD地图、Argorvers跟踪数据集和Argorverses预测数据集。
from argoverse.map_representation.map_api import ArgoverseMap
from argoverse.data_loading.argoverse_forecasting_loader import ArgoverseForecastingLoader
avm = ArgoverseMap()
argoverse_forecasting_loader = ArgoverseForecastingLoader('argoverse-forecasting/') #simply change to your local path of the data此处提供API文档。建议通过以下演示教程开始学习。
2.3 Demo
展示如何使用API 在Jupyter Notebook中提供了使用的Demo.
首先，下载安装jupyter notebook : pip install jupyter. 在repo目录下打开Jupyter notebook，也可以在根目录中一层一层寻找（比较麻烦）。
运行后，只需导航到 demo_usage 文件夹并打开任何教程！要使用预测教程，需要从网站下载预测样本数据，并将文件夹提取到repo的根目录中。
2.3.1 Argovese地图教程
2.3.2 Argorverse预测教程
2.3.3 渲染鸟瞰图
运行以下脚本以从地图上的鸟瞰图渲染长方体。
$ python visualize_30hz_benchmark_data_on_map.py --dataset_dir <path/to/logs> --log_id <id of the specific log> --experiment_prefix <prefix of the output directory>例如，日志的路径可能是argoverse tracking/train4，日志id可能是2bc6a872-9979-3493-82eb-fb55407473c9。此脚本将使用如下图像写入当前工作目录中的<experienceprefix>_per_log_viz/<log-id>：
它还将在 <experienceprefix>_per_log_viz/<log-id>_lidar_roi_nonground.mp4 生成视频可视化
3.预测baseline
GitHub – jagjeet-singh/argoverse-forecasting: Official Repository for Argoverse Motion Forecasting BaselinesOfficial Repository for Argoverse Motion Forecasting Baselines – GitHub – jagjeet-singh/argoverse-forecasting: Official Repository for Argoverse Motion Forecasting Baselines
https://github.com/jagjeet-singh/argoverse-forecasting
文章出处登录后可见！
