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

: p/ E5 d- t9 {2 q- E# s- _
6 V4 d# Q( }5 g3 G8 `8 C/ m& Y9 B- G9 ~7 B7 c! f" h- V
- z1 n1 H5 ^) f# R

% N6 A# z& I! B# J
/ I, g" s* U4 K* d) y
8 W6 R7 c6 o9 u( q/ C; E) N5 r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 3 o2 C9 U3 c; h4 o1 u3 z4 w* H- P; B
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-: c  s8 @9 y( ?0 i* J# P
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
- q! Y7 C* i9 {4 d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
- i% L" q; ]- \/ k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+ D, j3 _8 K# ]4 b% ^" N
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9 P0 ^' H$ ^. {7 k) {0 f" J
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
( w& ^1 A, F# |/ v& H, G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6 m6 _5 f8 c+ [. w/ r0 H
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 i: E9 y& n1 S+ A% j" I' Y' x! o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
" u, G( j8 G$ F  L, i' B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& M1 Y! q$ k2 }; @& m8 |
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。% |9 y* |! @% N

. R, r- z' j7 K, x! E1 {, Y" P' F( n( Y! 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