[發明專利]一種基于圖注意力自編碼模型的路側端行人軌跡預測算法

在審

• 申請號: 202011229257.6
• 申請日: 2020-11-06
• 公開（公告）號: CN112418421A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 楊彪;閆國成;徐黎明;何才臻;詹為欽;呂繼東;陳陽
• 申請（專利權）人: 常州大學;江蘇省中以產業技術研究院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 常州市英諾創信專利代理事務所(普通合伙) 32258
• 代理人: 鄭云

1.一種基于圖注意力自編碼模型的路側端行人軌跡預測算法，其特征在于：包括如下步驟：

S10：建模行人的運動狀態；

S20：建模行人的社會交互狀態；

S30：拼接行人的運動狀態和社會交互狀態，生成可預測的行人潛在變量分布；

S40：預測行人軌跡；

所述步驟S30具體包括如下步驟：

S31：設計潛變量預測器；

S32：使用潛變量預測器預測行人潛在的變量分布；

S33：將行人潛在的變量分布、行人的運動狀態和行人的社會交互狀態進行拼接。

2.如權利要求1所述的一種基于圖注意力自編碼模型的路側端行人軌跡預測算法，其特征在于：在步驟S31中，潛變量預測器由兩個前饋神經網絡組成，定義如下：

其中Ψ(·)和是前饋神經網絡，和分別是這兩個前饋神經網絡的參數，和是潛變量預測器第k類輸入。

3.如權利要求2所述的一種基于圖注意力自編碼模型的路側端行人軌跡預測算法，其特征在于：在步驟S32中，k＝1、2、3、分別表示行人位置、速度、加速度，行人位置揭示了潛在場景的布局，速度反映了行人的運動模式，加速度反應了行人運動激烈程度；潛在變量預測器從這三種輸入中估計出三種潛在的變量分布；最后把這三種潛變量分布和高斯隨機噪聲融合在一起，最終構成訓練階段的潛變量分布參數；同時本發明應用高斯隨機噪聲產生軌跡的多模態輸出；在訓練過程中潛在變量損失函數用來衡量觀測軌跡的潛在變量分布和真實軌跡潛在變量分布之間的差距，使用KL散度來計算這種誤差，公式如下：

其中和分別表示觀測軌跡的潛變量分布和真實軌跡的潛變量分布；

總的損失函數由兩部分構成，一部分是潛變量分布KL散度損失函數，一部分是預測值與真實值之間的偏差L2損失函數；總的損失函數加權定義如下：

其中α設置為10，具體的數值通過在基準數據集上交叉驗證得到；在訓練時設置批處理大小為64，400個epoch，編碼器-解碼器學習率設置為0.001，潛變量預測器的學習率設置為0.0001使用Adam優化器對參數進行優化。

4.如權利要求4所述的一種基于圖注意力自編碼模型的路側端行人軌跡預測算法，其特征在于：所述步驟S20具體包括如下步驟：

S21：計算行人方位角：利用行人頭部朝向信息來計算行人和行人之間的方位夾角，用以分配行人之間影響力的大?。恍腥酥g方位夾角的余弦值計算如下：

其中n是同一場景中行人的個數，b_ij表示行人i和行人j之間的方位夾角；

S22：設計注意力機制：根據行人之間的方位夾角余弦值設計硬注意力機制和軟注意力機制；硬注意力機制用一個與cos(β)形狀相同的矩陣H_A表示，H_A中每一個元素h_ij的值都設置為0或1，當行人之間的方位夾角余弦值大于預設閾值0.2時，對應的注意力權重h_ij為1，當行人之間的方位夾角余弦值小于預設閾值0.2時，對應的注意力權重h_ij為0；軟注意力機制自適應的計算行人之間的相關性，軟注意力機制權重S_A的計算公式如下:

其中表示sigmoid激活函數，Conv(·)表示1x1卷積層。

S23：將行人運動狀態輸入到基于圖模型的雙注意力機制模塊中，基于圖模型的雙注意力機制模塊利用行人的運動狀態聚合周圍行人的社會交互信息，并輸出行人的社會交互狀態

S24：經過基于圖模型的雙注意力模塊，得到行人的社會交互狀態，用一個基于長短期記憶網絡的圖-長短期記憶網絡來編碼行人的社會交互狀態輸出一個融合周圍行人的社會交互運動狀態圖-長短期記憶網絡的定義如下：

其中G-LSTM(·)表示圖-長短期記憶網絡，W_G是G-LSTM(·)的可學習參數。