详情

原文传递基于人-车交互的行人轨迹预测

题名：	基于人-车交互的行人轨迹预测
作者：	连静;王欣然;李琳辉;周雅夫;周彬
作者单位：	大连理工大学汽车工程学院;大连理工大学工业装备结构分析国家重点实验室
关键词：	汽车工程;行人轨迹预测;长短时记忆神经网络;人-车交互;深度学习;注意力机制
摘要：	针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题，基于长短时记忆网络(LongShort-termMemoryNetwork.LSTM)对行人与车辆、行人与其他行人的交互进行建模，提出一种基于人-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3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3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，并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明:提出的方法能够准确地预测出交通场景中，人-车交互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。
期刊名称：	中国公路学报
出版年：	2021
期：	05
页码：	215-223