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

2 }% N; P7 r! O  w5 b* a1 ]# Q) Z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
; s3 v2 `% m/ O- P. y' O/ pShort-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-
- e- f- o7 q2 z+ ^: H9 D  j# J" h0 ~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
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
6 ]! y0 Q7 f# r7 l1 d# K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
' e6 y' p" I: ^& y! I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
+ n: e" {: G8 |% V1 y9 I4 U; N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
( Z7 d7 w" o; r, c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
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
) r3 g# k# r/ g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
- c! d% D, R) 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。

- d4 X- C. m* h. {( V- `0 T  G