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

( M( R5 a. J& C7 w, V
9 |5 b" k  I; M: x" E3 X9 c2 T4 T: |: g- A0 C
; W" M- t% ]; w5 {. E' v) i/ n

6 X2 S9 H, f, n9 ], S
$ d' p: |3 A  b, u
' h6 [8 ^: q8 {4 J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
% W# e0 {$ j1 g9 t( [0 lShort-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-8 X( C8 e( A" p' L
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4 s  t) Q9 U& @- x
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$ ~' |, e% v; |% W
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
  R. g; N' E5 E  s; u+ z* e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
, _  `. l# m4 m) [  y0 `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- o8 ^! |: j- }4 Q3 S4 e
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3 T# I: D! \3 `, m/ n# J+ S
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
7 k$ d: s4 u/ \1 ^8 A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
/ r0 w  ?  U" J7 h1 Q: Y) F7 G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& |; P% l9 n6 f+ b9 \& S5 I! ?
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。
+ x8 U7 I0 ~4 R9 o+ g5 S# u: O  ~/ A6 F9 v" a. a5 d
& x/ n$ T2 T% `# p

基于人-车交互的行人轨迹预测.pdf

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