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

) h. f8 u: T$ E, F, \3 C
5 I1 f: L# ]. W) Z$ ~+ v. h2 @
, ^1 e: B: ^4 O/ `: D6 P
" w  p- j9 j8 Z- I. s( V$ X
2 o7 G+ o* u" F- n
) Z& e; n* C, d$ v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
: \' H( W) r7 k1 h3 e3 w) d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
' [# E" Q& V$ E; T/ _$ @6 U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
* w) b, X: ]4 U+ v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
4 O. ]" [$ O+ _. F0 F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
% n: r0 V) G4 J' D+ U0 g3 j; `8 S- x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
1 \4 A+ b: F' i) I$ [7 F: Z1 f1 O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。
$ N2 }8 ]1 P- `4 _. G! P9 p8 }
+ M; ?, }( \5 l6 s! n5 y8 b