Trajectory-Transformer 项目安装和配置指南

1. 项目基础介绍和主要编程语言

项目基础介绍

Trajectory-Transformer 是一个用于轨迹预测的 Transformer 网络项目。该项目基于 Transformer 架构，旨在通过深度学习技术预测物体的未来轨迹。该项目的主要应用场景包括自动驾驶、机器人导航等领域。

主要编程语言

该项目主要使用 Python 编程语言进行开发。

2. 项目使用的关键技术和框架

关键技术

• Transformer 网络：基于 Transformer 架构，用于处理序列数据，特别是轨迹数据。
• PyTorch：深度学习框架，用于构建和训练 Transformer 模型。
• KMeans：用于聚类分析，特别是在量化轨迹预测中使用。

框架

• PyTorch 1.0+：用于构建和训练深度学习模型。
• Numpy：用于数值计算。
• Scipy：用于科学计算。
• Pandas：用于数据处理和分析。
• Tensorboard：用于训练过程的可视化。
• kmeans_pytorch：用于 GPU 加速的 KMeans 聚类。

3. 项目安装和配置的准备工作和详细安装步骤

准备工作

在开始安装和配置之前，请确保您的系统满足以下要求：

• Python 3.6 或更高版本
• PyTorch 1.0 或更高版本
• CUDA（如果使用 GPU 进行训练）
• Git

详细安装步骤

步骤 1：克隆项目仓库

首先，使用 Git 克隆项目仓库到本地：

git clone https://github.com/FGiuliari/Trajectory-Transformer.git
cd Trajectory-Transformer

步骤 2：创建虚拟环境（可选）

为了隔离项目依赖，建议创建一个虚拟环境：

python -m venv trajectory_env
source trajectory_env/bin/activate  # 在 Windows 上使用 trajectory_env\Scripts\activate

步骤 3：安装依赖

使用 pip 安装项目所需的依赖：

pip install -r requirements.txt

步骤 4：数据准备

项目的 dataset 文件夹需要按照以下结构进行组织：

- dataset
  - dataset_name
    - train_folder
    - test_folder
    - validation_folder (可选)
    - clusters.mat (用于量化TF)

步骤 5：训练 Individual Transformer

要训练 Individual Transformer，请运行以下命令：

CUDA_VISIBLE_DEVICES=0 python train_individualTF.py --dataset_name eth --name eth --max_epoch 240 --batch_size 100 --name eth_train --factor 1

步骤 6：训练 QuantizedTF

要训练 QuantizedTF，请按照以下步骤操作：

1. 创建聚类：

   CUDA_VISIBLE_DEVICES=0 python kmeans.py --dataset_name eth
   

   将生成的 clusters.mat 文件放入相应的数据集文件夹中。

2. 训练量化模型：

   CUDA_VISIBLE_DEVICES=0 python train_quantizedTF.py --dataset_name zara1 --name zara1 --batch_size 1024
   

3. 评估模型：

   CUDA_VISIBLE_DEVICES=0 python test_quantizedTF.py --dataset_name eth --name eth --batch_size 1024 --epoch 00030 --num_samples 20
   

步骤 7：可视化训练过程

使用 Tensorboard 可视化训练过程：

tensorboard --logdir logs

通过以上步骤，您应该能够成功安装和配置 Trajectory-Transformer 项目，并开始进行轨迹预测模型的训练和评估。