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

" T! j3 x) U( Z
, g* n) V/ {* i* D7 T3 l
* M' Q# `% `5 ~* \; ~/ N( i( b
! b7 H/ |) e) m) r5 }
. O- Z9 Q) a* ]8 V3 l
( m4 V$ u8 j' l4 ]: w+ v5 W6 j! O* p
, i* l0 z! _8 X6 [0 b0 M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
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
: f) G8 P0 d5 ?0 s( B5 C5 Q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
' E% Q, x5 R# b0 i: ?! p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
  a$ a4 n# P2 ^! T5 G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
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
" h. h! J8 }* s9 @& y  K. j% j0 W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。

/ g% _. h" G) `) R4 b. b0 k3 c