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

$ q" [# Z  j- C5 Q/ u5 N0 i

; p5 f8 n& t3 [0 x0 _

* W" g8 G4 [, T+ E. B8 G

0 o' }9 \. C3 U% ^9 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
7 j; _  ?) y" m4 A' L3 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-
" L: ?# U5 \7 n) X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
  z) `2 z2 }0 X7 L7 }2 s8 F0 r( o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
" O1 F+ h8 ]& t/ C6 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
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
- C: S. s3 a* P- x: D( t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
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 I2 g2 L  b! P7 T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
% J: c" l1 i4 n( \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。
. |- W) o9 V( `. ], x! Q# S