[發明專利]一種目標行人軌跡預測模型訓練方法、裝置、電子設備及存儲介質

在審

• 申請號: 202010199619.5
• 申請日: 2020-03-20
• 公開（公告）號: CN111767475A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 薛睿;鹿朋
• 申請（專利權）人: 吉利汽車研究院（寧波）有限公司;浙江吉利控股集團有限公司
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種目標行人軌跡預測模型訓練方法，其特征在于，所述方法包括：

獲取第一歷史位置向量集合，所述第一歷史位置向量集合由目標行人在多個歷史預設時刻的第一歷史位置向量構成；

獲取第二歷史位置向量集合，所述第二歷史位置向量集合由預設個周圍行人中每個周圍行人在多個歷史預設時刻的第二歷史位置向量子集合構成；

獲取真實位置向量集合，所述真實位置向量集合由目標行人在多個當前或未來預設時刻的真實位置向量構成；

將第一歷史位置向量集合和第二歷史位置向量集合輸入目標行人軌跡預測模型中，得到預測位置向量集合，所述預測位置向量集合由目標行人在多個當前或未來預設時刻的預測位置向量組成；

將真實位置向量集合和預測位置向量集合輸入判別模型中，得到距離集合對應的損失值；所述距離集合由真實位置向量集合中的每個真實位置與預測位置向量集合中每個預測位置之間的距離構成；

若損失值不符合預設條件，基于損失值訓練目標行人軌跡預測模型中的參數，返回將第一歷史位置向量集合和第二歷史位置向量集合和獲取真實位置向量集合輸入目標行人軌跡預測模型中的操作，直至損失值符合預設條件；其中所述參數包括目標行人軌跡預測模型中與所述第一歷史位置向量集合和所述第一歷史位置向量集合相關的權重系數。

2.根據權利要求1所述的目標行人軌跡預測模型訓練方法，其特征在于，所述目標行人軌跡預測模型包括編碼器模型、注意力層模型和解碼器模型；

所述編碼器模型的輸出端與所述注意力層模型的輸入端連接；

所述注意力層模型的輸出端與所述解碼器模型的輸入端連接；

所述解碼器模型的輸出端與所述編碼器模型的輸入端連接。

3.根據權利要求2所述的目標行人軌跡預測模型訓練方法，其特征在于，所述編碼器模型的輸出端根據第一歷史位置向量集合和第二歷史位置向量集合輸出第一隱藏狀態集合，在所述注意力層模型中，所述方法包括：

將第一隱藏狀態集合中目標行人對應的第一隱藏狀態進行加權融合處理得到目標行人對應的第一注意力狀態集合；

將第一注意力狀態集合中預設個周圍行人對應的第一注意力狀態進行加權融合處理得到第三注意力狀態集合；

將第一注意力狀態集合和第三注意力狀態集合輸入解碼器模型中。

4.根據權利要求3所述的目標行人軌跡預測模型訓練方法，其特征在于，所述第一隱藏狀態集合為：其中，i為整數，i大于等于1，i是目標行人和預設個周圍行人中每個行人對應的標號，用于區別預設個周圍行人中的不同行人，t為多個預設時刻中的每個時刻；

所述第一注意力狀態集合為：t為歷史預設時刻，Tobs為歷史預設時刻的個數的上限值，j為多個歷史預設時刻對應中每個歷史預設時刻對應的序號；j為正整數，為第一權重系數；為第二歷史位置向量子集合中多個歷史預設時刻中每個歷史預設時刻對應得所述編碼器的輸出；此處的i為目標行人對應的標號。

第三注意力狀態集合為：i為連續變化的整數；是第二權重系數；N為預設個周圍行人數量，此處的j為預設個周圍行人中每個行人對應的標號，j≠i表示為預設個周圍行人對應的表達式。

5.根據權利要求4所述的目標行人軌跡預測模型訓練方法，其特征在于，

其中，函數A為相關性函數；

其中，B函數為帶有RelU(線性整流函數，Rectified Linear Unit)非線性的多層感知機。

6.根據權利要求4所述的目標行人軌跡預測模型訓練方法，其特征在于，所述編碼器模型為長短期記憶網絡模型中的編碼器模型。

7.根據權利要求1所述的目標行人軌跡預測模型訓練方法，其特征在于，所述損失值為距離集合中的距離值大于預設距離閾值的概率；所述預設條件問預設概率。