【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及行人軌跡預測的自動駕駛領(lǐng)域，特別是涉及一種基于gcn的交互建模的行人軌跡預測方法。
技術(shù)介紹
1、在自動駕駛領(lǐng)域，準確預測行人的軌跡是當前研究的熱點之一，因為精準的行人軌跡預測有助于自動駕駛汽車更好地規(guī)劃行駛路線，而在行人軌跡預測中，對行人空間交互進行有效建模至關(guān)重要。在行人運動過程中，考慮到行人軌跡預測通常是在復雜的場景中進行，需要對環(huán)境進行建模，包括道路結(jié)構(gòu)、障礙物、行人之間的相互影響等。同時由于行人的運動具有一定的不確定性，因此在軌跡預測中需要考慮不確定性的建模和處理，以提高預測的準確性和魯棒性。
2、在之前的研究成果中，social-lstm使用池化層學習時間軌跡依賴關(guān)系；socialgan，通過生成對抗網(wǎng)絡(luò)(gan)模式增加軌跡的多樣性，但是網(wǎng)絡(luò)訓練不穩(wěn)定，容易崩潰。以這兩種為主的模型可擴展性不適用于具有多個類的場景。而作為建模行人空間交互的主流方法之一，圖卷積神經(jīng)網(wǎng)絡(luò)對于圖形數(shù)據(jù)處理是非常有效的。現(xiàn)有的工作基于gcn的行人空間交互建模與真實情況之間仍有一定的差距，雖然成功地基于相對距離模擬了周圍鄰居的影響，但忽略不同類型道路用戶之間隱式相關(guān)性對要預測的軌跡的影響，附近的行人和汽車對同一個行人的影響程度不同，因此在行人軌跡的預測會產(chǎn)生偏差。
技術(shù)實現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)中存在的問題，本專利技術(shù)提供了一種基于gcn交互建模的行人軌跡預測方法，考慮了不同對象的影響程度，對不同對象設(shè)計不同的標簽分類，充分利用社會屬性計算社會交互的權(quán)重，以實現(xiàn)更好
2、本專利技術(shù)是通過以下技術(shù)手段實現(xiàn)上述技術(shù)目的的。
3、一種基于gcn交互建模的行人軌跡預測方法，包括如下步驟：
4、步驟1、將每個行人定義為節(jié)點，并根據(jù)行人的相對位置建立行人空間圖，以捕捉行人之間的空間關(guān)系；
5、步驟2、在行人空間圖中，為行人添加速度信息，構(gòu)建速度鄰接矩陣；
6、步驟3、在行人空間圖中，將行人周圍對象的類別作為標簽嵌入，構(gòu)建標簽鄰接矩陣；
7、步驟4、將速度鄰接矩陣與標簽鄰接矩陣結(jié)合，以生成語義引導的鄰接圖；
8、步驟5、將鄰接圖輸入到時空圖卷積網(wǎng)絡(luò)中，對行人軌跡的圖形表示進行時空卷積運算，分別提取出時間特征、空間特征；
9、步驟6、將用時間特征、空間特征輸入改進的時間外推金字塔卷積神經(jīng)網(wǎng)絡(luò)(txpcnn)，通過多層的預測特征來聯(lián)合估計未來軌跡的二維高斯分布參數(shù)，進而得到行人軌跡。
10、進一步，建立行人空間圖的方法為：在行人空間圖中，頂點表示為每個行人，用邊表示行人間的交互影響，故行人空間圖gt定義為：
11、gt＝(vt,et)，
12、其中，vt是圖gt中所有頂點的集合，表示為為圖gt中第i個頂點，n為圖gt中頂點個數(shù)；et是圖gt中邊的集合，表示為為gt中第i個頂點和第j個頂點之間的邊，n為圖gt中頂點的個數(shù)。
13、進一步，步驟2根據(jù)行人單位時間內(nèi)的歐幾里得距離計算速度；那么每個對象基于相對位置的速度表示為：
14、
15、其中，ut是空間圖中所有行人速度的集合，表示第i個行人的速度，為第i個行人第t時間步長的x坐標，為第i個行人第t時間步長的y坐標。
16、進一步，通過設(shè)定距離閾值，若行人間的歐幾里得距離大于所設(shè)定的距離閾值，則認為行人之間相距較遠，并排除遠距離的行人。
17、進一步，步驟3的過程為：
18、步驟3.1、對行人周圍的對象設(shè)置對應的類別標簽，類別標簽采用圖表示；
19、步驟3.2、將類別標簽嵌入到標簽鄰接矩陣中；
20、步驟3.3、使用注意力機制從相鄰對象中獲取社會影響。
21、進一步，矩陣相結(jié)合的方法為：特征維度中連接兩個矩陣，并將連接的矩陣傳遞給全連接層，得到同一場景下新的鄰接圖。
22、進一步，時空圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)為：將鄰接圖分別經(jīng)過圖卷積和時間卷積得到表示圖特征的空間圖和時間圖，通過引入embedding層生成對應的空間和時間矩陣。
23、進一步，改進的時間外推金字塔卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括5個conv模塊，其中，4個conv模塊依次串聯(lián)，位于首端的conv模塊為輸入端，將接收同維度的時間特征、空間特征拼接在一起后輸入，所輸入的時間特征、空間特征依次經(jīng)過4個conv模塊的卷積處理；且4個conv模塊的輸出經(jīng)過連接后輸入第五個conv模塊進行卷積操作，最后輸出預測特征。
24、進一步，標簽鄰接矩陣的構(gòu)建方法為：創(chuàng)建一個可訓練參數(shù)的鄰接矩陣，將類別標簽嵌入到鄰接矩陣中。
25、進一步，步驟3.3獲取社會影響的方法為：分析注意力機制中目標行人與周圍對象的位置、速度大小及方向之間的作用；根據(jù)兩個節(jié)點之間相互影響的強度得到行人社會交互權(quán)重，并通過使用監(jiān)督訓練類標簽的嵌入，獲取一類對象對另一類的影響程度。
26、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果是：
27、(1)針對最近的行人軌跡預測工作是基于相對距離模擬了周圍鄰居的影響，忽略了不同類型道路用戶之間隱式相關(guān)性對要預測軌跡的影響問題，本方法基于行人的速度和位置信息以及不同道路使用者對行人的影響構(gòu)建社會交互權(quán)重模型，可以更好地權(quán)衡不同行人之間的影響。
28、(2)由于之前的方法僅考慮將特征傳送到多層的txpcnn，只考慮了簡單的堆疊，不能有效地利用特征信息，因此本方法利用前一層的特征信息，將特征信息組合以聯(lián)合預測雙變量高斯分布的參數(shù)，可以充分利用獲取的行人特征信息，為下一步的預測提奠定良好的基礎(chǔ)。
29、(3)行人軌跡預測對于自動駕駛技術(shù)的發(fā)展和普及具有重要意義，有助于提高行車安全性、交通效率以及提升用戶體驗。在預測行人軌跡的有效性方面，本專利技術(shù)提出的用于行人軌跡預測的基于gcn的行人社會交互建模方法，相比于現(xiàn)有的基于gcn的建模方法，能夠有效提升行人軌跡預測的精度。
30、(4)本專利技術(shù)通過將行人的時間和空間依賴信息傳遞到圖卷積和時間卷積網(wǎng)絡(luò)中，可以更好地預測個體的軌跡，從而提高行人軌跡預測的效果。相比于現(xiàn)有的基于gcn的行人空間交互建模方法，能夠顯著地提高行人軌跡預測的精度，為此提供了用于行人軌跡的基于gcn的行人空間交互建模方法。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于GCN交互建模的行人軌跡預測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，建立行人空間圖的方法為：在行人空間圖中，頂點表示為每個行人，用邊表示行人間的交互影響，故行人空間圖Gt定義為：
3.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，步驟2根據(jù)行人單位時間內(nèi)的歐幾里得距離計算速度；那么每個對象基于相對位置的速度表示為：
4.根據(jù)權(quán)利要求3所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，通過設(shè)定距離閾值，若行人間的歐幾里得距離大于所設(shè)定的距離閾值，則認為行人之間相距較遠，并排除遠距離的行人。
5.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，步驟3的過程為：
6.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，矩陣相結(jié)合的方法為：特征維度中連接兩個矩陣，并將連接的矩陣傳遞給全連接層，得到同一場景下新的鄰接圖。
7.根據(jù)權(quán)利要求6所述的一種基
8.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，改進的時間外推金字塔卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括5個Conv模塊，其中，4個Conv模塊依次串聯(lián)，位于首端的Conv模塊為輸入端，將接收同維度的時間特征、空間特征拼接在一起后輸入，所輸入的時間特征、空間特征依次經(jīng)過4個Conv模塊的卷積處理；且4個Conv模塊的輸出經(jīng)過連接后輸入第五個Conv模塊進行卷積操作，最后輸出預測特征。
9.根據(jù)權(quán)利要求1所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，標簽鄰接矩陣的構(gòu)建方法為：創(chuàng)建一個可訓練參數(shù)的鄰接矩陣，將類別標簽嵌入到鄰接矩陣中。
10.根據(jù)權(quán)利要求5所述的一種基于GCN交互建模的行人軌跡預測方法，其特征在于，步驟3.3獲取社會影響的方法為：分析注意力機制中目標行人與周圍對象的位置、速度大小及方向之間的作用；根據(jù)兩個節(jié)點之間相互影響的強度得到行人社會交互權(quán)重，并通過使用監(jiān)督訓練類標簽的嵌入，獲取一類對象對另一類的影響程度。
...【技術(shù)特征摘要】
1.一種基于gcn交互建模的行人軌跡預測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，建立行人空間圖的方法為：在行人空間圖中，頂點表示為每個行人，用邊表示行人間的交互影響，故行人空間圖gt定義為：
3.根據(jù)權(quán)利要求1所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，步驟2根據(jù)行人單位時間內(nèi)的歐幾里得距離計算速度；那么每個對象基于相對位置的速度表示為：
4.根據(jù)權(quán)利要求3所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，通過設(shè)定距離閾值，若行人間的歐幾里得距離大于所設(shè)定的距離閾值，則認為行人之間相距較遠，并排除遠距離的行人。
5.根據(jù)權(quán)利要求1所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，步驟3的過程為：
6.根據(jù)權(quán)利要求1所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，矩陣相結(jié)合的方法為：特征維度中連接兩個矩陣，并將連接的矩陣傳遞給全連接層，得到同一場景下新的鄰接圖。
7.根據(jù)權(quán)利要求6所述的一種基于gcn交互建模的行人軌跡預測方法，其特征在于，時...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：汪少華，李樂，李祎承，殷春芳，李春，劉明春，
申請(專利權(quán))人：江蘇大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。