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

& Z$ j* r7 Z, j! `; V  L0 x

) H! A0 K5 ?8 X  D0 c/ v# h! b* i
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
% Z# b" l$ G5 @2 HShort-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-
* a3 X5 [/ D4 p0 K  h1 h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
7 B: c: m4 B4 G4 r. Y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
" y- J, }' P1 e. v- ]1 {: t9 M/ d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
- `0 F: R# y" p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
. G" ^( ]9 L7 t$ ]. H% _) k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
: `, K8 R  S$ s; R0 \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
" O* H8 X8 |- j4 f/ v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
% X+ m. l: Y# w) V7 q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。
6 A5 x7 o  h3 m& l
0 Y8 i: n; O4 E+ Z& q/ b$ t