基于人-车交互的行人轨迹预测

来源：中国血液净化杂志2021年第5期北京时间：

作者：连静, 王欣然, 李琳辉, 周雅夫, 周彬

单位：1. 大连理工大学 汽车工程学院, 辽宁 大连 116024;2. 大连理工大学 工业装备结构分析国家重点实验室, 辽宁 大连 116024"],"fundList_en":["National Natural Science Foundation of China (51775082, 61976039); China Fundamental Research Funds for the Central Universities (DUT19LAB36, DUT20GJ207)

摘要：针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题，基于长短时记忆网络（Long Short-term Memory Network， LSTM）对行人与车辆、行人与其他行人的交互进行建模，提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互，更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入，以行人的方向和速度作为历史轨迹序列输入，行人与行人的相对位置作为人-人交互信息输入，行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆；其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息；然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重，进一步提高社会信息的精度；再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息；最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测，并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中，人-车交互行人未来一段时间内的运动轨迹，有效提高了预测精度，提高了智能驾驶决策的准确性。

关键词：汽车工程,行人轨迹预测,长短时记忆神经网络,人-车交互,深度学习,注意力机制

基金资助：国家自然科学基金项目（51775082，61976039）；中央高校基本科研业务费专项资金项目（DUT19LAB36，DUT20GJ207）