【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種基于異質關系圖的行人軌跡預測方法以及裝置。
技術介紹
1、行人軌跡預測旨在給定行人過去或當前運動軌跡的情況下，預測行人在未來一段時間內的移動軌跡。
2、相關技術中，不顯式地考慮行人周圍的環境信息，在處理周圍障礙時，把障礙物視作靜態的行人。然而，障礙物的結構特征和行人存在顯著的區別，這種簡化操作可能會導致預測效果的不穩定。
3、由此可見，相關技術中的行人軌跡預測方法，存在由于不區分障礙物與其他行人導致的預測結果準確度不高的技術問題。
技術實現思路
1、本專利技術提供一種基于異質關系圖的行人軌跡預測方法以及裝置，用以解決現有技術中行人軌跡預測方法存在由于不區分障礙物與其他行人導致的預測結果準確度不高的缺陷，實現更加準確的行人運動軌跡預測。
2、本專利技術提供一種基于異質關系圖的行人軌跡預測方法，包括如下步驟。
3、獲取目標行人、行人運動信息以及障礙物信息；將所述行人運動信息以及所述障礙物信息輸入至異質關系圖模型中，得到所述異質關系圖模型輸出的所述目標行人的綜合軌跡特征；將所述目標行人的綜合軌跡特征輸入至軌跡預測模塊，得到所述軌跡預測模塊輸出的所述目標行人的軌跡預測結果；其中，所述異質關系圖模型用于基于所述行人運動信息與所述障礙物信息構建所述目標行人的異質關系圖；并基于可學習的先驗向量與所述異質關系圖進行特征融合；所述軌跡預測模塊用于基于所述綜合軌跡特征進行多個未來時刻的行人位置預測。
4、根
5、根據本專利技術提供的一種基于異質關系圖的行人軌跡預測方法，所述個體運動特征提取模塊包括：多層感知機與門控循環單元，所述基于所述行人運動信息進行運動特征提取，得到所述目標行人的個體運動特征，包括：將所述行人運動信息中每個時刻分別作為當前時刻，執行以下步驟，得到所述每個時刻的目標行人的個體運動特征：將所述行人運動信息中目標行人的觀測值，輸入至帶有激活函數的所述多層感知機中，得到所述多層感知機輸出的嵌入向量；將所述嵌入向量輸入至所述門控循環單元，得到所述門控循環單元輸出的所述當前時刻的目標行人的個體運動特征。
6、根據本專利技術提供的一種基于異質關系圖的行人軌跡預測方法，所述障礙物特征提取模塊包括：編碼層、多頭自注意力模塊、前饋網絡層以及最大池化層；所述基于所述障礙物信息進行障礙特征提取，得到所述目標行人的周邊障礙特征，包括：基于所述目標行人的位置與所述目標行人的速度，確定所述目標行人的扇形視野范圍；確定所述扇形視野范圍與所述障礙物信息中障礙物位置的相交區域，作為障礙多邊形；將所述障礙多邊形的每個線段對應的特征向量輸入至所述編碼層，得到所述編碼層輸出的編碼后的特征向量；將所述編碼后的特征向量輸入至所述多頭自注意力模塊，得到所述多頭自注意力模塊輸出的查詢向量、鍵向量以及值向量；將所述查詢向量、所述鍵向量以及所述值向量輸入至所述前饋網絡層，并將所述前饋網絡層的輸出與所述編碼層輸出的編碼后的特征向量進行殘差連接與層歸一化，得到所述每個線段的線段特征；將所述每個線段的線段特征輸入至最大池化層，得到所述最大池化層輸出的所述目標行人的周邊障礙特征。
7、根據本專利技術提供的一種基于異質關系圖的行人軌跡預測方法，所述根據可學習的先驗向量基于所述異質關系圖，確定所述目標行人的綜合軌跡特征，包括：基于可學習的先驗向量，確定所述目標行人對所述異質關系圖中每個節點的注意力分配系數，其中，所述先驗向量用于表示所述異質關系圖中所述障礙物與行人的交互關系的先驗注意力系數，以及所述行人與行人的交互關系的先驗注意力系數；基于所述每個節點的注意力分配系數進行點積注意力，得到所述目標行人的異質交互特征；對所述目標行人的異質交互特征與所述目標行人的個體運動特征進行融合，得到融合特征；對所述融合特征進行層歸一化與殘差連接，得到所述目標行人的綜合軌跡特征。
8、根據本專利技術提供的一種基于異質關系圖的行人軌跡預測方法，所述將所述目標行人的綜合軌跡特征輸入至軌跡預測模塊，得到所述軌跡預測模塊輸出的所述目標行人的軌跡預測結果，包括：將所述目標行人的綜合軌跡特征輸入至所述軌跡預測模塊的全連接網絡，得到下一時刻的所述目標行人的軌跡預測結果；在確定全部行人的軌跡預測結果之后，將所述全部行人的軌跡預測結果作為新的行人運動信息，以進行未來時刻的行人位置預測。
9、本專利技術還提供一種基于異質關系圖的行人軌跡預測裝置，包括如下模塊：獲取模塊，用于獲取目標行人、行人運動信息以及障礙物信息；軌跡特征模塊，用于將所述行人運動信息以及所述障礙物信息輸入至異質關系圖模型中，得到所述異質關系圖模型輸出的所述目標行人的綜合軌跡特征；軌跡預測模塊，用于將所述目標行人的綜合軌跡特征輸入至軌跡預測模塊，得到所述軌跡預測模塊輸出的所述目標行人的軌跡預測結果；其中，所述異質關系圖模型用于基于所述行人運動信息與所述障礙物信息構建所述目標行人的異質關系圖；并基于可學習的先驗向量與所述異質關系圖進行特征融合；所述軌跡預測模塊用于基于所述綜合軌跡特征進行多個未來時刻的行人位置預測。
10、本專利技術還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述基于異質關系圖的行人軌跡預測方法。
11、本專利技術還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述基于異質關系圖的行人軌跡預測方法。
12、本專利技術還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述基于異質關系圖的行人軌跡預測方法。
13、本專利技術提供的基于異質關系圖的行人軌跡預測方法以及裝置，通過獲取目標行人、行人運動信息以及障礙物信息，為后續的軌跡預測提供了豐富的數據基礎；將行人運動信息和障礙物信息輸入至異質關系圖模型中，構建目標行人的異質關系圖；異質關系圖可以表示不同類型實體（如行人、障礙物）之間的關聯，以及這些關聯如何隨時間變化；通過構建異本文檔來自技高網...
【技術保護點】
1.一種基于異質關系圖的行人軌跡預測方法，其特征在于，包括：
2.根據權利要求1所述的基于異質關系圖的行人軌跡預測方法，其特征在于，所述異質關系圖模型，包括：個體運動特征提取模塊、障礙物特征提取模塊以及全局異質特征融合模塊；
3.根據權利要求2所述的基于異質關系圖的行人軌跡預測方法，其特征在于，所述個體運動特征提取模塊包括：多層感知機與門控循環單元，所述基于所述行人運動信息進行運動特征提取，得到所述目標行人的個體運動特征，包括：
4.根據權利要求2所述的基于異質關系圖的行人軌跡預測方法，其特征在于，所述障礙物特征提取模塊包括：編碼層、多頭自注意力模塊、前饋網絡層以及最大池化層；
5.根據權利要求2所述的基于異質關系圖的行人軌跡預測方法，其特征在于，所述根據可學習的先驗向量基于所述異質關系圖，確定所述目標行人的綜合軌跡特征，包括：
6.根據權利要求1所述的基于異質關系圖的行人軌跡預測方法，其特征在于，所述將所述目標行人的綜合軌跡特征輸入至軌跡預測模塊，得到所述軌跡預測模塊輸出的所述目標行人的軌跡預測結果，包括：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。