基于人-车交互的行人轨迹预测

杨利霞

基于人-车交互的行人轨迹预测

' y) T! }) \& p- x* X+ s
- R$ R! e9 u% {7 d
" F4 X/ S7 n& ^+ w( W
8 S8 q9 O4 w. l) j
7 v3 w/ u- |3 M4 ]5 T. T0 V+ \
% O+ L# X! u1 e$ [) X/ 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
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-
6 z$ {7 e% h' O5 ]" @8 C  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
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
% a0 P6 h( K: Q7 `5 j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
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
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
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
1 i& p1 r& r- E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
4 j$ P2 L0 G- O, y5 X9 N9 ~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
/ `7 U) O( Z  F' F0 d8 O' t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
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。
& n3 h+ O6 |* r3 y0 @$ K7 q* n- T
5 Y9 S# g& q# W$ B