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

! }, U% d% N( ]5 z

3 d" D) D- X: I( b1 Y9 C
- I/ C7 [6 R  Y1 q5 ^4 A


6 R' Q/ G  k2 Z. [6 Y8 H  h2 l8 w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
8 {0 z3 ?* }/ _2 iShort-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-
: h& b! ~( t" I) G' l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 T% D& R+ F6 p7 Z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
, y! O9 G- Q% A: V. j2 j+ `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
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
. _( b% ~4 `% U) I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
( B" [2 ^, p1 J; e1 j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。

) p5 Q$ k7 @% w( a: v( d; c/ w
' {4 B2 M5 ]8 t7 l0 h! j5 v" F$ @