- 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
- 565632 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 : B" x2 M! U% f0 ^! E6 {+ `
A& M2 N* u Q7 O2 i" ^' l j- A% r
& r8 ^+ K; t; f y2 I+ f. q6 j6 t6 Z) ^' x! T t
3 e/ ^" Y) H. e @! p4 {7 d: Y
& z# u; M. ~! x9 Q% B! a
; l( P; C6 L- V4 ?$ g9 G& t
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 # w3 y3 |5 ]6 I6 h& _" Y; U
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-
$ w0 B5 Z( U% O P7 {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5 a* T1 U3 A* I3 y7 [1 s, X* s
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7 F' c# }. P) I& m! Q' y
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0 i9 K3 @ F. @3 E
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 Z6 c V7 N; j, I4 @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
5 k% `0 N, f h* p2 B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 U( I" P* ?5 L! R$ ]* x
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
2 j+ r7 A, D6 \# g0 C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
/ d1 r& F# N; O, `9 Z* ]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: e; f4 K1 W# v* g
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。
4 Z% m4 Q; |; H' N/ {" l
/ D% s! R& \: C4 x
% c8 {) J$ g% M1 i Q |
zan
|