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

% ^8 o. K+ x; l3 R( T+ C6 b
% d, b4 g! }* M  n) s. g
- ~, q1 y! H, h% o
% T% E- }  q/ Y8 M# a. S

0 y1 N" A  f% i$ P7 ^/ x$ R
4 b2 a; @/ D2 w" E! P, y0 u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
& H! V: N1 K1 q9 }  ~0 k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
: n% v* h8 u5 Y% o1 C7 U. y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
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
6 }5 d9 P0 s1 W3 o+ l5 m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
) y* m/ U/ F7 [3 i2 b" @+ b! N; W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
8 I, W9 z8 ?' S2 h# x* r/ {0 W8 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。


) A# \+ f" e  k$ m, _