[論文導讀]GraphRQI: Classifying Driver Behaviors Using Graph Spectrums
論文出自2020年的ICRA
論文連結：GraphRQI: Classifying Driver Behaviors Using Graph Spectrums
作者Github連結：https://github.com/rohanchandra30/GraphRQI
Introduction
在過去關於車輛行為預測的研究大多都是專注在空曠的路或高速公路上，而作者認為都市這種多車輛的場景是值得研究的。於是作者就往這方面研究，並提出了 GraphRQI 演算法：以無方向且無權重的圖(graph)表示車輛間的狀態，再使用他們提出的 Eigen value 演算法來快速的計算 Eigen vector，最後再使用 Multiple-Layer Perceptron(MLP) 來分類。
Method
從上面的流程圖可以看到，最開始會先從每個 Frame 中取出不特定數量的物體(汽車、機車、人)座標出來，之後計算 Adjacency matrix 與 Diagonal matrix 來取得 Laplacian matrix，其中 Adjacency matrix 是使用 KNN 對每個物體作計算，論文裡的 k 是設為4。
算完 Laplacian matrix 後，會使用作者提出的 Eigen value 演算法計算 k 個Eigen Vector，這裡的 SM 是 Sherman-Morrison 演算法，論文提出的方式主要是使用逼近的方法計算 Eigen Vector 來達到快速的計算效果。計算完後再傳入scikit-learn 的MLP網路做訓練，預測結果分為六類：impatient, reckless, threatening, careful, cautious, and timid，前三類被歸類為激進(aggressive)駕駛，後三類被歸類為保守(conservative)駕駛。
Experiments
論文實驗的部分是使用TRAF與Argoverse的資料集來訓練與比較。其中 TRAF 與 Argoverse 都只有物件 ID 與 Bounding Box，車輛行為的標記是使用網路群眾的力量標記的。
上圖左邊是在比較著名的 Eigen value 演算法的計算時間，可以看出論文提出的明顯計算時間快了非常多，右圖是在比較使用各種分類器的預測結果，發現使用普通的 MLP 反而準確度是最高的。
這張圖是跟其他的車輛行為預測演算法做比較，可以看出論文提出的GraphRQI 不管在哪個資料集上準確度都是高出許多，在 Argoverse 資料集上甚至高出了20幾%的準確度。
這是 GraphRQI 的預測結果，顏色越淡代表駕駛行為越保守，反之就是越激進。論文中也提到 GraphRQI也可以用來預測短時間的車輛路徑，但論文中沒有對這塊提到太多，在這邊就先不提。
Conclusion
論文提出了 GraphRQI 演算法，可以把車輛間的狀態使用圖的方式來表示；以及論文裡面提出的 Eigen value演算法可以快速地計算 Eigen vector，最後使用MLP來預測車輛行為。 GraphRQI 在 TRAF 與 Argoverse 資料集上測試的結果，不管在計算時間上或準確度都是最好的。
心得：這篇提出的方法還蠻有趣的，可惜的是作者 Github 上的程式碼沒有整理過，程式也只有計算 Confusion matrix，沒有實際預測的 Demo(最可惜的部分就是我數學太差，數學部分看不是很懂QQ)。
後記：過了這麼久又回來寫主要是想改善自己的懶惰性格，也有可能是面試後發現自己還是不夠強大，希望藉由回來邊寫medium邊學習。面試的心得之後會再補上，不過只有兩間XD。
