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

, c, S! i7 S; W2 c& ~
% }: g' \. S- p. _6 t& d& R

1 A) r9 h  U. h  V4 f0 J, ~
$ M+ M" s7 Y1 @  |% W
6 a" R# q) F! V- p" l$ @3 X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
3 A. V- |0 `  K9 jShort-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-
! g7 m0 g$ s, F4 i. ?, u5 y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
. q2 G9 W9 P: k; F1 K1 \% z6 O# ]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
! R! A* c4 q! T" k- \' i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
  v+ H. a; S- l- |. S. G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
/ H* n& [5 K7 u8 ]6 C. X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。
) U8 n& J& Y8 f/ D: V4 _! V