[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

本發明涉及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，綜合考慮了行人自身的運動狀態和周圍其他行人特別是運動方向上行人的運動狀態對其未來軌跡的影響，本發明通過基于長短期記憶網絡的編碼器?解碼器進行行人運動軌跡建模，提取行人運動狀態，進一步利用圖模型和行人之間方位夾角，設計了雙注意力機制，為周圍行人的影響力分配不同的權重，同時利用潛變量預測器從觀測軌跡和真實軌跡中預測潛在的運動變量分布規律，綜合以上特點，本發明不僅能夠有效的建模行人的運動模式，還能從行人的運動軌跡中學到潛在的運動規律，并且利用本發明提出的雙注意力機制有效的建模行人之間的相互影響。

技術領域

本發明涉及自動駕駛技術領域，尤其是涉及行人軌跡預測領域，本發明提供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。

背景技術

隨著深度學習、自動駕駛技術以及控制理論的不斷發展，無人駕駛汽車得到了廣泛的關注，具有光明的應用前景；無人車可以給人們的生活帶來便利，但是無人車在順利運行的過程中道路上其他使用者的位置對無人車運行有很大的影響，尤其是道路上行人的位置；預測道路上其他使用者的運動對自動駕駛來說是無比重要的，相比于道路上的其他使用者，尤其是對行人來說：汽車的質量更大，速度更快；為了更好地保護行人，無人車需要預測行人的未來軌跡，調整自身的運動策略，從而避免和行人發生碰撞；

由于行人的行為具有隨機性，無論是機器或是人類，都無法完全準確地預測行人的未來軌跡；行人的軌跡受周圍行人的影響，這種影響是潛在的不易描述的，但是行人未來的軌跡總是受到行人周圍其他人的影響，利用這一常識建模行人之間的社會互動行為，從而更好地建模行人的運動模式并預測行人未來的軌跡；

準確預測行人運動軌跡的一個挑戰來自于人類社會交互行為的復雜性；行人運動行為受到其周圍行人之間的動作交互、周圍行人的社會關系、周圍的語義環境所共同影響，其中大多數因素不是直接可見的，需要從復雜的運動規律中推斷出來，或從上下文信息中建模；如何讓無人車學到潛在社會交互是準確預測行人軌跡的關鍵；

準確行人運動軌跡的另一個挑戰來自于行人自身運動意圖的復雜性；行人自身運動意圖往往影響著行人運動模式，行人自身運動意圖具有多樣性且難以從軌跡數據上直接推理得出，這使得行人運動模式具有多樣性，在行人軌跡預測中行人運動模式的多樣性也必須被考慮；行人的運動模式是復雜多樣的，復雜的行人運動很難用一個動力學模型來描述，對機動目標的一般運動進行建模的一種常用方法是定義和融合不同的典型運動模式，每種模式由不同的動態狀態描述；運動狀態可以是線性運動、轉彎機動、突然加速，隨著時間的推移，形成復雜的運動模式，如何建模這種復雜的行人運動模式是行人軌跡預測的另一個關鍵。

發明內容

本發明要解決的技術問題是：為了克服自動駕駛技術中，行人軌跡難以準確預測的問題，提供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。

本發明解決其技術問題所采用的技術方案是：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，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。

進一步的，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：