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 LIAN Jing;WANG Xin-ran;LI Lin-hui;ZHOU Ya-fu;ZHOU Bin

作者机构：大连理工大学汽车工程学院辽宁大连116024 大连理工大学工业装备结构分析国家重点实验室辽宁大连116024 

基　　金：国家自然科学基金项目(51775082,61976039) 中央高校基本科研业务费专项资金项目(DUT19LAB36,DUT20GJ207) 

出 版 物：《中国公路学报》 (China Journal of Highway and Transport)

年 卷 期：2021年第34卷第5期

页      码：215-223页

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(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。

主 题 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 

学科分类：1201[管理学-管理科学与工程类] 082304[082304] 08[工学] 0813[工学-化工与制药类] 0802[工学-机械学] 0814[工学-地质类] 0801[工学-力学类] 0823[工学-农业工程类] 

核心收录：

D　O　I：10.19721/j.cnki.1001-7372.2021.05.020

馆 藏 号：203103431...