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 A& L' f% A- Q& E  P
: X% I: g' M' \! [* x3 H  l# E
, Q% u5 t% V% j3 {
" B9 b: X1 {8 P) A( C/ y
; U; m" q. u: F+ o* d& b
4 _. o( i. M( t1 E! G
. X: I+ |- I- H+ \; a8 U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-
5 g7 j% l3 `; k! n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
1 ~" j( M% b3 m1 _+ `: A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
8 M/ ^3 k2 O3 s! I; b/ d0 @/ ^3 k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
2 v: r- [; H' `; ]& ?' c: M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
- J4 F& ]0 J* Z/ B) \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
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
8 h" k8 E% |2 ^6 j" v6 ]9 ]! L& H$ 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
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。
' e- }( P3 h& n& P; q, {& H
% X' q1 O" C, {1 X