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

2 q1 a2 A- ~3 @- C
  |9 @- y  h7 w" F# |: L8 V9 L7 U6 B$ S; z4 l+ k1 k; |0 _* P

6 |$ K& p" y8 b+ i7 @2 A1 v$ W1 |  f$ @2 w% ]
, S; R+ x6 R( y: N* U

; V! L" ^9 p: I8 ]/ D5 Z: X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
( w0 i) t4 a) p4 T# Q$ iShort-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-4 B- }( u1 k1 y
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$ h7 }0 P3 b/ S2 q" w" {- T
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+ m1 U3 f, ~! h' D# W. D
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4 Y; I. m) r9 h6 z* }$ p& y
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
( W; c" d4 x6 ^! h% m8 g8 O2 x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! L  D' \0 |) y& k; k4 l
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 r) d# x- }5 H) _8 }
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
( C: h! C: m- E0 b5 K& v( X6 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* R7 W, h/ u( ^2 o& D8 ^" F
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
; @9 {5 @% C( J2 @9 ?1 E7 K  X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。, M: N# x7 u& P- B
4 c1 S9 ~. Q/ q0 G3 i; T; D
% Y* q' X+ b# @) C

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