[發明專利]一種基于注意力機制的生成式對抗軌跡預測方法

在審

• 申請號: 202110053547.8
• 申請日: 2021-01-15
• 公開（公告）號: CN112766561A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 房芳;張鵬鵬;周波;錢堃;甘亞輝
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于注意力機制的生成式對抗軌跡預測方法,其特征在于，包括以下步驟：

步驟1：將行人軌跡數據預處理并送入編碼器進行編碼處理；

步驟2：將編碼后的向量送入一個基于注意力機制的池化模塊進行影響力權重分配并得到池化向量；

步驟3：使用一個基于LSTM網絡的解碼器輸出行人的預測軌跡；

步驟4：利用改進后的損失函數使用Adam算法對生成器與判別器進行對抗訓練；

步驟5：將行人的觀測軌跡送入訓練好的網絡模型的生成器中，得到預測的行人軌跡坐標。

2.根據權利要求1所述的一種基于注意力機制的生成式對抗軌跡預測方法，其特征在于：步驟1所述的對行人軌跡進行編碼處理，包括：

網絡接收行人的歷史軌跡并通過一個單層的全連接網絡作為嵌入層，將行人i在t時刻的位置變化信息轉化為一個固定長度的特征向量然后將該向量送入一個LSTM網絡進行編碼處理，學習軌跡數據的時序特征，得到行人i在t時刻的隱藏狀態

其中，f(·)是一個采用ReLU激活函數的嵌入層，W_f和W_encoder分別是嵌入層和LSTM網絡的權重參數，并且LSTM網絡的參數由場景中的所有行人共享。

3.根據權利要求1所述的一種基于注意力機制的生成式對抗軌跡預測方法，其特征在于：步驟2所述的通過基于注意力機制的池化模塊來對同一場景中的行人進行影響力權重分配，并輸出表征行人交互信息的池化向量，包括：

為了刻畫行人j對目標行人i運動產生的影響，模塊首先使用池化的方式獲取池化向量h_ij，并將行人j的速度矢量v_j、行人i和行人j之間的距離矢量d_ij、行人i的速度矢量v_i與行人j之間的距離矢量d_ij的夾角a_ij的余弦值cosa_ij、行人i的速度矢量v_i與行人j的速度矢量v_j的夾角b_ij的余弦值cosb_ij合并為特征向量q_ij送入一個使用softmax函數作為激活函數的多層全連接網絡，從而獲得場景中行人j對目標行人i的注意力權重；

之后，將場景中所有其他行人相對于目標行人i的池化向量匯聚為最終的池化向量H_i，并將不同行人的注意力權重合并為權重矩陣W_{atten_i}，最后，將權重矩陣W_{atten_i}與匯聚的池化向量H_i相乘得到特征向量p_hi，并通過最大值池化的方式得到目標行人i的池化向量p_i，該池化向量表征目標行人i做出決策所需要的信息，直觀上理解，通過采用注意力機制得到場景中所有人對目標行人i未來軌跡影響的權值，從而匯總出目標行人i做出決策所需要的信息p_i，從而達到行人交互建模的目的，具體的公式計算如下所示：

q_ij＝[v_j,d_ij,cosa_ij,cosb_ij]

q_i＝[q_i1,q_i2,...,q_ij,...,q_iN]

W_{atten_i}＝s(q_i；W_s)

H_i＝[h_i1,h_i2,...,h_ij,...,h_iN]

p_i＝maxpool(W_{atten_i}H_i)

其中，s(·)表示使用softmax激活函數的多層全連接網絡，W_s為該網絡的權重參數。