数学建模社区-数学中国
标题:
基于人-车交互的行人轨迹预测
[打印本页]
作者:
杨利霞
时间:
2020-11-3 16:55
标题:
基于人-车交互的行人轨迹预测
基于人
-
车交互的行人轨迹预测
& l# [; J/ I+ Z- H! H; S9 \
# }. S/ Q9 J2 h% f p' L5 L
# o) D# Z. N5 J$ J
5 d/ m Y) \2 @9 e- o9 d8 S* a
( l' R: e. R5 N) O9 N! g
e" j G" _9 I0 c6 y |% P
- C+ z2 A6 x) e* K# C
针对行人轨迹预测问题具有的复杂、拥挤的场景和社会交互问题，本文基于长短时记忆网络（Long
$ V# E/ ?4 {! `4 C7 N+ d
Short-Term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模，提出了一种基于人-
& M8 I# z: C$ Z7 B: ~0 }
车交互的行人轨迹预测模型（VP-LSTM)。该模型同时考虑了行人与行人的交互、行人与车辆的交互，更适
t- m6 w* Y) O+ | L6 Q
用于复杂的交通场景。所构建的 VP-LSTM 包括三个输入，以行人的方向和速度作为历史轨迹序列输入，行
t4 ^3 \( P q% @0 d3 r. v
人与行人的相对位置作为人-人交互信息输入，行人与车辆的相对位置作为人-车交互信息输入。该方法首先
$ q6 L! C+ ?6 c f4 i" P
设计了扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆。其次建
* w0 m8 O: |: N5 q$ K
立了三种不同的 LSTM 编码层来编码历史行人轨迹序列、人-人、人-车社交信息。然后定义人-人、人-车交
; G/ h$ D! Q- |# P* H
互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重，进一步提高了社会信息的精度。再将
5 @* t* v3 p! Q5 x# `* @6 x
人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息。最后将筛选后的社会信息与行
6 M4 L6 q0 G0 ?$ }- F
人历史轨迹序列一起输入到 LSTM 神经网络中进行行人轨迹预测。在课题组构建的 DUT 人-车交互数据集
* C- d Y( h7 \$ E4 Q
上验证了本文提出的网络。实验结果表明，本文提出的方法能够准确地预测出交通场景中，行人未来一段
I( \) U& g; Z
时间内的运动轨迹，有效提高了预测精度，提高了智能驾驶决策的准确性。
' w& u+ k1 `8 L- e
* T& ? L5 Y4 H# q7 ], Q; u# m. ?
( X+ P. m" B# k" p" b
基于人-车交互的行人轨迹预测.pdf
2020-11-3 16:54 上传
点击文件名下载附件
下载积分: 体力 -2 点
626.69 KB, 下载次数: 1, 下载积分: 体力 -2 点
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5
