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 F1 R, H! y1 n2 ?
8 _" O+ h+ ?7 c2 U5 o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
0 L: U" F2 h* CShort-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-
" b- s9 H- b) K- W. C9 X6 ^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
9 h9 B+ D8 M3 g8 b/ m1 g5 S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
& a. ~- G$ X' m: l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
, Y: G$ b& g0 e9 v  Z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
. q! f+ _% c5 g! f5 i2 ]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
& Q1 n" d; \( r" ?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
% H4 `; e, g! P2 _  l6 _1 {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 Y# k% P: G9 l. w/ J