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

6 U9 V0 J+ T5 W! P

$ r% E0 g  n  ]* k, C4 e* K


3 s" j4 S5 b+ k8 i1 A$ n
* N0 M+ r. @* Q4 C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-
3 V! z" s  I! x3 M, b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
4 i7 a# @' [% `% 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
4 O$ g/ v0 Y: h1 X' N4 \8 f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
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
( b% Y, n/ F) k' I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
' [. A# b( I$ `# j) P3 e- \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
7 A$ |! K0 T7 ~! e' ?: 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
2 M: g! B) I# O  F! U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。

; O: l  ]' j  @" `. H+ J8 m) k0 K, }