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

& n7 G8 M9 j. W  `5 q% a2 `
" P3 t5 f  T2 E* q! b% H5 p" V# H
- |. y7 R  g8 h
+ Z+ o# v; l1 D) U* b+ K2 \
1 d1 _  m9 |! N1 H1 n0 O6 k
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-
( O9 Q% `6 b* n4 V* Z1 e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
& u/ K' Z# @+ S6 i# Z7 T3 H& {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
7 g( z0 U7 {2 d5 g& a! b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
( O8 q2 D( n0 y, h1 t$ @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
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 c' ?$ e5 c+ K- y' x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
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 t8 L0 s, o6 g