CN115071762B 面向城市场景下行人轨迹预测方法、模型及存储介质 （北京理工大学前沿技术研究院）

7000号汉峪金融商务中心五区1号楼WO2021180130A1,2021.09US2021035310A1,2021.间交互特征和轨迹时序特征进行融合得到场景2获取预测目标的历史轨迹信息，并利用LSTM网络所述利用多头注意力机制对所述空间交互特征和轨迹时序特征基于Argoverse运动预测数据集获取车辆轨迹序根据观测时长最够一帧的智能体位置，筛选在交互根据观测时长最够一帧的智能体位置，筛选在交将所述向量特征映射到高维空间，并在时间维度采用3利用LSTM网络作为解码器对所述场景上下文特征进行解码，并利用t时刻的隐藏状态轨迹编码模块，用于获取预测目标的历史轨迹信息，并利特征融合模块，用于对所述空间交互特征和轨迹时序8.一种计算机可读存储介质，其特征在于：存储45[0022]利用图注意力网络对轨迹序列特征进行高阶交互，得到预测目标的空间交互特[0031]利用LSTM网络作为解码器对所述场景上下文特征进行解码，并利用t时刻的隐藏[0032]通过MLP层对轨迹预测时长内的隐藏状态序列作线性变换，输出预测目标的未来6[0045]图3是本申请实施例示出的行人轨迹预测方法中轨迹数据预处理的示意图，其中7[0061]300，根据观测时长最后一帧的智能体位置，筛选在交互范围内的周边智能体轨[0062]需要说明的是，利用Argoverse运动预测数据集提供车辆轨迹序列和高精地图数像头；ArgoAI自动驾驶技术在接近300公里的城市交通场景中跟踪了近1006个小时的物[0063]本申请基于上述Argoverse运动预测数据集构建行人轨迹预测模型的训练集和验Savitzky-Golay平滑滤波器是一种基于[0066]基于车辆轨迹序列和高精地图数据处理Argoverse运动预测数据集，改进后的8[0067]400，用向量表示各智能体的空间位置信息，并基于层级的网络结构进行交互编[0073]其中，智能体轨迹序列集合表示为，代表预测目标的轨迹序列，了图神经网络的表达能力。利用改进后的图注意力网络GAT_v2在对轨迹序列特征进[0076]其中，图注意力网络GAT_v2通过改变线性层Linear和激活函数LeakyReLU的计算9始化线性变换的权重矩阵，由MLP层实现，用于计算两个特征之间的相似度；和[0079]对于所有智能体的轨迹序列对应的高阶特征向量，经图注意力网[0094]本申请采用多头注意力机制对空间交互特征和轨迹时序特征进行交汇[0103]在Transformer中使用的注意力机制是ScaledDot-ProductAttention，计算公第i个输入信息对应的键与Query的相似度；vi表示输入信息向量V中第t个信息；代表为查询向量Q，评估预测对象和周边智能体的关联程度，这本质上是一种空间软注意力机制，Attention加权作用在空间尺度上，通过对不同空间区域加权，计算场景上下文特征[0114]采用LSTM网络作为解码器对未来轨迹单步预测，t时刻的预测需要LSTM网络中迹点服从二元混合高斯分布，由该分布的5个参数表示，MLP层一共输出[0117]另外，将本申请与现有的主流模型SocialLSTM、SocialGAN、Sophie、Social般可以选用均方根误差（RootMeanSquaredError,RMSE绝对误差（AbsoluteErr,其二元混合高斯的概率分布函数为：[0130]其中，是二元混合高斯分布的参数，xky表示预测轨迹在t时刻[0139]为验证行人轨迹预测模型各个模块的有效性，本申请基于Argoverse数据集设计