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

# I! H+ O" U# y0 ~# _

9 i; a$ a4 U7 V# _9 H

, ]) `; l( `/ }" b) S6 \( s  U
- \. d, X. E: f; M  Z+ L/ j" D
/ ~6 O* [" x: N9 |4 q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-
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
/ b4 `- x2 t+ B7 z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
% q+ m7 |' o1 h9 R- r+ k8 u5 S/ \' x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
- L  K4 |9 M8 i7 ?- ]3 j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
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。
, X' h3 g9 z9 \9 i9 c7 B. y* g
% ?1 ]. P( j* Y1 g  T! G3 n8 t4 y
6 h  d7 a6 P& n9 d8 n% C