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

3 t% P& D4 F% ~) ?


4 C; p0 P' t  v$ _3 Z
) i$ X% C; ]( o% o$ U; d
7 S( _: X5 J& G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
6 ^/ A3 e" H1 z$ y7 E4 ^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-
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
# I' o+ {. u3 x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
* w' Y- p9 F" K, C6 `) {) p7 j9 {1 U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
# p/ A5 h3 ?; u2 {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
2 Q; Q- w  w1 H5 V, r. Y3 T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
8 T9 P7 e9 ?& a8 q, M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
  p# a8 w' E1 L2 c, F; p. B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
4 K* q+ S) z. q/ G+ R9 C  X1 {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。

/ @  i# I. E4 `+ U2 O6 I6 R
: h7 C# \0 R, h* Z, d3 Q. l