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

, Y2 l9 H$ J& I% r) y: a
) Z+ f& a, r, S1 p

/ z9 ]6 ~' G  D  v
. e, b- u; _: p# [) T

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
  c& A4 O9 N% [; n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
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
& X: x) Z# {5 Y7 K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
' F& C4 Z) H8 ?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
! h, x8 _' Z* k/ W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
; \0 ]6 p, A# r. P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 N1 G- j) I2 F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
$ O! u+ R3 s3 y* e  D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。
! S( \: X5 A+ \9 ?, \3 O
, A0 f- z  v: b' {( N' L