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

6 Q9 Z$ b  Z1 n& b$ L/ ~" P

3 \) v& I9 Z9 g0 X9 _+ Z

2 {: K! o4 j3 a' }; q
* [! V. ?$ `5 x6 M$ h( U+ u5 W4 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
0 H  M' T$ D% z) ]; S0 uShort-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$ X2 a4 {, b' N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
1 f; e% o9 w* T$ K0 j$ A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
4 s! }% K8 R7 S7 o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
/ G; {( _+ N' e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
0 Q5 G) w) H8 w4 W8 |+ |7 i, w  o8 ~. Q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。

2 ~2 u5 K- p8 V; a
. `/ x  O+ p7 o7 C& i, B