[發明專利]一種基于對抗生成網絡的路側端行人軌跡預測算法

在審

• 申請號: 202011229272.0
• 申請日: 2020-11-06
• 公開（公告）號: CN112347923A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 楊彪;何才臻;徐黎明;閆國成;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: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/04;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

1.一種基于對抗生成網絡的路側端行人軌跡預測算法，其特征在于：包括如下步驟：

S10：使用編碼器編碼輸入軌跡；

S20：利用行人頭部朝向計算行人社會注意力；

S30：應用潛在變量預測器來生成可預測的潛在變量分布；

S40：生成預測的行人未來軌跡；

S50：使用判別器來優化生成器生成的行人軌跡；

所述步驟S30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。

2.如權利要求1所述的一種基于對抗生成網絡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所述的一種基于對抗生成網絡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，位置揭示了潛在場景的布局，速度反映了不同行人的運動模式，加速度表明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變量的潛在分布；高斯隨機噪聲被用于產生多模態輸出，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；

在測試階段潛在變量預測器從行人觀測軌跡中預測潛在變量分布，潛在變量預測器輸入的是行人的位置、速度、加速度信息，潛在變量預測器可以從這三類輸入中分別預測出行人的位置、速度、加速度的潛在變量分布，把這三種潛在變量和高斯隨機噪聲結合形成最終的潛在變量輸出到軌跡生成器中；

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。

4.如權利要求1所述的一種基于對抗生成網絡的路側端行人軌跡預測算法，其特征在于：所述步驟1具體包括如下步驟：

S11：對輸入軌跡數據進行處理：輸入軌跡是一系列時間序列的軌跡點其中是目標i在t時刻的位置坐標；把每條軌跡在不同時刻的位置坐標送入編碼網絡中；

S12：使用一個單層的多層感知機將兩維的位置信息轉變成固定長度的多維向量多層感知機的定義如下：

其中φ(·)是使用ReLU非線性激活函數的多層感知機，W_ee是多層感知機的參數；

S13：將多維向量送入基于長短期記憶網絡的編碼器中，生成行人運動的隱狀態編碼器長短期記憶網絡(LSTM)定義如下：

其中LSTM(·)是長短期記憶網絡，W_encoder是編碼器長短期記憶網絡的參數，參數可在同一場景下的所有行人之間共享。