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

  k: [9 Z- N( L0 @
& E% c( a3 Z8 b9 S# G/ ?* x- w6 z/ J
$ f, |' j5 {& y# C5 h


, _5 }4 l. {# ?9 N. L
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
# }* U+ o+ C1 p. s: RShort-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-
$ Y$ O6 I  W8 T$ Q+ D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
  G: f8 ]% }6 t4 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
& M, I# x% m2 R' E9 p+ E, ^0 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
$ `& z& |5 L9 X$ d9 y) `, e! c( Z1 k$ o/ D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
/ I+ c3 k/ V# m8 d" S6 d/ e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
; e- p, M& i; V& i& H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。
) a) k, M, B: M0 p- G/ o+ {" t2 J

6 R4 a9 M  F; M. a+ ~3 C: b, l9 A