- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 565630 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174912
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
|
基于人-车交互的行人轨迹预测
( d! G- \$ O: R ~0 R8 E# E
3 V# g a0 N8 n: d
4 z2 ]7 a( |! K6 y: a; o' Z8 V: {; U
9 F# \8 M4 d( t1 N' E, o$ I0 E* j3 d/ q6 }- Q; `- v2 ^
2 q( ^4 P) D q& P7 D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 1 v, \- K5 P( Z! H& @: v4 v
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: r! D3 s2 c& ?2 u4 j. ~
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
6 l; Y4 f, @; |" J1 \0 ^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
, t' ]& g8 B/ g, v) ^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+ c3 k5 A1 I: | d1 d 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* e% t) F0 [' i! w4 W0 b, c
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0 k7 j; t" ?: A) D
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( _; g; P b7 d: @
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
* S0 T' I1 p, V m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
4 S1 F8 n4 f; y* X9 R& M/ Y a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 m3 C1 r2 H$ \- ~1 e" B
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。- U" l7 ?" ]# r( h; T, W" R; ~+ J
6 l. P* m: Q1 ?# w: w. j) v
. K5 M% r6 T9 H: ~
|
zan
|