一種行人軌跡預測方法及車輛的自動駕駛方法技術

本發明專利技術提供了一種行人軌跡預測方法及車輛的自動駕駛方法，首先從N個行人的圖結構軌跡出發，利用分組分配模塊估計分組信息，然后通過屏蔽無關節點和執行行人組池生成組內或組間交互圖。權重共享軌跡預測模型采用三種類型的圖，并捕捉群體感知的社會互動。然后應用群體池算子從群體特征中編碼智能體特征，然后輸入群體集成模塊估計未來軌跡預測的概率分布。布。布。

【技術實現步驟摘要】
一種行人軌跡預測方法及車輛的自動駕駛方法


[0001]本專利技術涉及行人軌跡預測
，尤其涉及一種行人軌跡預測方法及車輛的自動駕駛方法。

技術介紹

[0002]行人作為交通場景中的主要參與者，對其未來運動軌跡的合理推理和預測對于自動駕駛和道路安全至關重要。在交通場景中，行人的運動軌跡不僅會受到本身意圖的影響，還會受到周圍行人、車輛的影響。行人軌跡預測對于計算機視覺和機器人產業同樣是至關重要的。行人軌跡預測是具有挑戰性的，因為：人與人之間的交互是多模態的，并且很難捕捉，舉例來說陌生人會盡量避免與他人的親密接觸，而同伴則傾向于成群結隊地行走；(2)復雜的時間預測和人與人之間的空間交互。
[0003]現有技術的行人軌跡預測的開創性工作通過將額外的手工術語分配為能量潛力來模擬群體運動。目前的主流工作為通過卷積神經網絡(CNN)和圖神經網絡(GNN)進行建模社交互動。盡管如此，行人軌跡預測仍然是一個具有挑戰性的問題，因為同時隱式學習個人和群體行為的復雜性。最近有研究將LSTM的隱藏狀態與其他代理狀態的總和乘以二元組指示函數來顯示編碼組一致性行為，但在捕捉群體互動方面都存在一個關鍵問題，雖然這種方法可以在概念上捕捉群體運動行為，但基于深度學習的方法很難表示，因為個體交互的邊數過多。而且，這個問題在擁擠的環境中實現變得越來越困難。

技術實現思路

[0004]為了克服上述技術缺陷，本專利技術的目的在于提供一種在復雜且擁擠環境下對行人的運動進行預測的算法從而使得進行自動駕駛的車輛能夠規劃合理的路線規避行人的行人軌跡預測方法及車輛的自動駕駛方法。
[0005]本專利技術公開了一種行人軌跡預測方法，包括如下步驟：獲取行人圖，所述行人圖g
ped
＝(v
ped
,ε
ped
)指一組行人結點v
ped
＝{X
n
|n∈[1,...N]}及其成對社會相互作用g
ped
＝{e
i,j
|i,j∈[1,...,N]}上的邊；依據所述行人圖通過組索引將每個行人分配到最可能的行為組中，以獲取行人分組信息；通過直通組反向傳播過程依據所述行人分組信息將所述行人圖轉換為組內和組間交互圖；通過與基線軌跡預測器的權重共享，從輸入行人圖和分離的交互中強制實現層次表示；通過具有池層的U
?
NET網絡結構從群體特征中編碼智能體特征，通過U
?
NET中的池層減少節點數量，以獲得更高層次的分組特征；并通過解池操作恢復所述智能體特征，從而獲取群體集成模塊，通過所述群體集成模塊得到社會可接受的未來軌跡的概率圖；所述智能體包括行人，所述智能體特征包括行人軌跡。
[0006]優選的，所述組索引包括：通過行人的社會互動來估計行人所屬的分組信息。
[0007]優選的，所述通過行人的社會互動來估計行人所屬的分組信息包括：獲取每個行人的歷史軌跡；基于所述歷史軌跡的距離來度量所有行人對之間的特征相似性；并將相似性最高的兩個行人定義為成對行人；則行人與若干個該行人的成對行人為同一組行人。
[0008]優選的，將所述成對行人的歷史軌跡的距離矩陣D定義為：D
i,j
＝||F
φ
(X
i
)
?
F
φ
(X
j
)|fori,j∈[1,...,N]；γ＝{pair(i,j)|i,j∈[1,...,N],i≠j,D
i,j
≤π}；其中，F
φ
是可學習卷積層，π是可學習閾值參數。
[0009]優選的，所述組索引集G為：G＝G
k
|G
k
＝U
(i,j)∈γ
{i,j},G
a
∩G
b
＝φfora≠b；其中，G
k
表示第k群，是每個對集(i,j)的并集。
[0010]優選的，所述通過直通組反向傳播過程依據所述行人分組信息將所述行人圖轉換為組內和組間交互圖還包括：通過屏蔽所述行人圖的邊緣為不相關聯的組成員，進行組池和解池操作，將具有多個成員的組表示為一個圖節點。
[0011]優選的，所述行人的歷史軌跡n∈[1,...,N]可以表示為X
n
,其中是特定時間t下行人n的二維坐標。
[0012]本專利技術還公開了一種車輛的自動駕駛方法，采用上述的行人軌跡預測方法對行人軌跡進行預測，從而通過規避行人來對駕駛路線進行規劃。
[0013]采用了上述技術方案后，與現有技術相比，具有以下有益效果：
[0014]1.本專利技術通過對群體互動的建模，降低了由個體不同社會行為引起的軌跡預測的復雜性；通過考慮訓練環境和測試環境之間巨大數量的未見行人圖節點來緩解固有的場景偏差；通過行人節點分組，提供了一種圖形增強的效果；并且群體特征將輸入場景中的群體成員表示為單個節點，使得行人圖更加簡單。
[0015]2.本專利技術在所有基線模型上實現了一致的性能改進，此外群體感知預測還降低了Agent交互圖之間的碰撞率，并通過很好地捕捉群體的運動行為，顯示出與實際相似的運動模式。
附圖說明
[0016]圖1為本專利技術提供的行人軌跡預測方法的流程圖；
[0017]圖2為本專利技術提供的GP
?
行人軌跡預測的學習群表示。
具體實施方式
[0018]以下結合附圖與具體實施例進一步闡述本專利技術的優點。
[0019]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
[0020]在本公開使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本公開。在本公開和所附權利要求書中所使用的單數形式的“一種”、“所述”和“該”也旨在包括多數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語“和/或”是指并包含一個或多個相關聯的列出項目的任何或所有可能組合。
[0021]應當理解，盡管在本公開可能采用術語第一、第二、第三等來描述各種信息，但這些信息不應限于這些術語。這些術語僅用來將同一類型的信息彼此區分開。例如，在不脫離本公開范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第
一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在
……
時”或“當
……
時”或“響應于確定”。
[0022]在本專利技術的描述中，需要理解的是，術語“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系，本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種行人軌跡預測方法，其特征在于，包括如下步驟：獲取行人圖，所述行人圖g
ped
＝(v
ped
,ε
ped
)指一組行人結點v
ped
＝{X
n
|n∈[1,...N]}及其成對社會相互作用g
ped
＝{e
i,j
|i,j∈[1,...,N]}上的邊；依據所述行人圖通過組索引將每個行人分配到最可能的行為組中，以獲取行人分組信息；通過直通組反向傳播過程依據所述行人分組信息將所述行人圖轉換為組內和組間交互圖；通過與基線軌跡預測器的權重共享，從輸入行人圖和分離的交互中強制實現層次表示；通過具有池層的U
?
NET網絡結構從群體特征中編碼智能體特征，通過U
?
NET中的池層減少節點數量，以獲得更高層次的分組特征；并通過解池操作恢復所述智能體特征，從而獲取群體集成模塊，通過所述群體集成模塊得到社會可接受的未來軌跡的概率圖；所述智能體包括行人，所述智能體特征包括行人軌跡。2.根據權利要求1所述的行人軌跡預測方法，其特征在于，所述組索引包括：通過行人的社會互動來估計行人所屬的分組信息。3.根據權利要求2所述的行人軌跡預測方法，其特征在于，所述通過行人的社會互動來估計行人所屬的分組信息包括：獲取每個行人的歷史軌跡；基于所述歷史軌跡的距離來度量所有行人對之間的特征相似性；并將相似性最高的兩個行人定義為成對行人；則行人與若干個該行人的成對行人為同一組行人。4.根據權利要求3所述的行人軌跡預測方法，其特征在于...

【專利技術屬性】
技術研發人員：艾如飛，王迅，陳穎安，鄭大釗，石陶元，
申請(專利權)人：昭通亮風臺信息科技有限公司，
類型：發明
國別省市：