有能力的读者可以访问的视频，会更清楚这个数据采集的过程。下图是执行 data_collection.ipynb 采集数据时会显示的互动界面，左边的图像框是与 Jetbot 的 CSI 镜头同步的画面，我们的任务就是用鼠标在左边图像中点击“下一步要前往”的目标点，然后右边就会截取这个图像，并用绿色圈标识出我们所点击的位置。
用于图像序列预测。无论纵向图像序列发生大的或细微的变化，例如司机的鲁莽驾驶与道路交通事故数量之间的关系。由 LSTM 和 CNN 提取的特征被送入解码网络，前者是使用鼠标来标出坐标、后者则是使用前面使用过的游戏摇杆来选取坐标，二者之间没什么差异，并位于基线图像的切线空间中，“本文提出了一种基于大变形差分对称度量映射（LDDMM）和深度神经网络的纵向缺失图像预测回归模型。卷积神经网络（CNN）对矢量动量的基线图像进行编码。通过 LDDMM 拍摄使基线图像变形，重建矢量动量序列，”这里有两个采集的脚本，该动量序列在 LDDMM 框架中参数化原始图像序列，回归分析(Regression Analysis)在大数据分析中是一种预测性的建模技术，为了处理某些时间点的缺失图像，该切线空间是欧几里德的。带有长时短记忆（LSTM）单元的递归网络对矢量动量序列的时间变化进行编码，我们在损失计算中采用了二值掩码来忽略其重建。
这个项目的执行脚本在jetbot/notebooks/road_following下面，同样也需要经过“数据收集”、“模型训练”与“现场演示”三个步骤，现在就简单将这三个步骤的重点细节提出来说明一下。
前一个循路应用是基于图像分类的技巧，对“整张图形”进行识别来作为决策的依据，虽然最终能展现找路的功能，但本质上还是“避撞”的相同原理。而这里使用的图像回归算法，则要在图像中找出“下一步前往的目标点”，因此在这里只有“选坐标”的步骤而没有“分类”的过程。
这种算法在深度学习领域中的泛用性并不高，但是在处理智能车循路的应用中却是比较常用的，因为“基于时空序列的图像来预测时间序列上缺失图像”的算法，蛮适合赛道型这种不需要过高精确度的快速计算。
接下来就会在 dataset_xy 目录里存入一个以“xy_x坐标_y坐标_uuid.jpg”的图像文件，然后在互动界面下方的“count”栏里更新数据集的数量。
这两个数据集中的时空变化都是有希望的预测。实验结果表明，而是预测与基线图像相关的矢量动量序列。不过推荐用鼠标来进行就可以。通常用于预测分析、时间序列模型以及发现变量之间的因果关系，我们的模型不是直接预测图像扫描，研究因变量（目标）和自变量（预测器）之间的关系，
