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

. p4 s6 G& x6 g  Q5 D, m' K
- q1 ]5 o3 e3 z, }6 }( \1 G, q" S
4 k( u0 d  N% _# w6 h; S4 @
* E* G( B* W0 W8 N6 x6 Y
# ^# I* E+ S# W0 D
9 T- |- f$ }- O( Q" F, E
  _2 u! ^. \: j; y# i; h" q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-
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) _7 u' ]0 N  U9 n. `' V" }+ L5 I# m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
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
  H) |0 l6 }* O; 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
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
7 E) M6 S2 g3 C& k1 J/ p4 M& P  z6 n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 I4 H: |6 `7 s8 m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
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
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
7 a6 i, b8 ]4 N* u% V2 O# Z! Z$ v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。