【技术实现步骤摘要】
一种基于人车交互的LSTM神经网络行人轨迹预测方法
本专利技术涉及一种行人轨迹预测方法，特别涉及到一种基于人-车交互的LSTM(LongShort-termMemoryNetworks,简称LSTM)神经网络的预测方法。
技术介绍
在自动驾驶技术尤其是高密度混合交通环境中的自动驾驶技术的研究中，行人轨迹预测具有重要的意义。混合交通环境中，行人、非机动车与机动车等具备观察、思考、决策和行动能力的“智能单元”在同一道路空间活动，在共享区域内交互影响、互相作用。对行驶在混合交通环境中的智能汽车而言，在交互时仅仅避让是不够的，会导致车辆长久性“踌躇不前”或“进退失据”，并且其新颖性带来的围观行为更有可能引起交通流异常。因此，智能汽车在行驶中对行人在未来一段时间进行精准的轨迹预测具有重要的意义。行人轨迹预测是一个典型的时间序列预测问题，具有高度的时变性和非线性。由于行人轨迹预测本质是一个时间序列问题，随着深度学习的发展，基于数据驱动的建模方式成为研究热点，LSTM神经网络具有RNN(RecurrentNeuralNetwork)网络输...
【技术保护点】
1.一种基于人车交互的LSTM神经网络行人轨迹预测方法，其特征在于：包括以下步骤：/nA、构建人车交互的LSTM神经网络/n所述的人车交互的LSTM神经网络包括行人轨迹输入、车辆轨迹输入、4个LSTM层和预测轨迹层，所述的4个LSTM层分别为LSTM层A、LSTM层B、LSTM层C和LSTM层D，所述的LSTM层A、LSTM层B、LSTM层C的输出端链接后输入到LSTM层D；所述的LSTM层A的输入端接收行人轨迹输入，所述的LSTM层B的输入端经人-人交互栅格地图连接收行人轨迹输入，所述的LSTM层C的输入端经方向权重计算模块和人-车交互栅格地图接收车辆轨迹输入，所述的LS...
【技术特征摘要】
1.一种基于人车交互的LSTM神经网络行人轨迹预测方法，其特征在于：包括以下步骤：
A、构建人车交互的LSTM神经网络
所述的人车交互的LSTM神经网络包括行人轨迹输入、车辆轨迹输入、4个LSTM层和预测轨迹层，所述的4个LSTM层分别为LSTM层A、LSTM层B、LSTM层C和LSTM层D，所述的LSTM层A、LSTM层B、LSTM层C的输出端链接后输入到LSTM层D；所述的LSTM层A的输入端接收行人轨迹输入，所述的LSTM层B的输入端经人-人交互栅格地图连接收行人轨迹输入，所述的LSTM层C的输入端经方向权重计算模块和人-车交互栅格地图接收车辆轨迹输入，所述的LSTM层D的输出端为预测到的轨迹；
所述的LSTM层A对行人轨迹输入进行编码；
所述的LSTM层B对符合人-人交互栅格地图位置条件的行人轨迹输入进行编码；
所述的LSTM层C对方向权重计算模块的输出进行编码，所述的方向权重计算模块对符合人-车交互栅格地图位置条件的车辆轨迹输入进行编码；
所述的LSTM层D对LSTM层A、LSTM层B和LSTM层C链接后的输出进行解码和计算，得到预测的行人轨迹；
B、建立多层神经网络的输入
B1、输入当前行人轨迹
行人行走过程中，若没有其他障碍物阻挡，会沿原来的运动方向一直前进，若遇到其他车辆或行人，会修正自己的运动轨迹，这种修正行为最直观的体现在行人的前进的方向和速度上；行人会依据周边环境，修正自己的方向和速度，进而改变自己未来的轨迹；因此，在行人轨迹预测问题中，使用行人的前进方向和速度作为当前行人轨迹的输入变量；
首先假定每个场景中的行人以当前场景为标准坐标系，定义每个时刻的所有行人坐标，时间以帧为单位；将一段行人时间序列分为观察帧和预测帧，取t～t+obs为观察帧，t+obs+1～t+obs+pred为预测帧，其中obs、pred分别为观察帧和预测帧的长度，单位为帧数，则预测问题变成分段预测问题，其输入数据是行人在过去一段时间、每一帧相对于上一帧行人的转向角和行人的速度；具体公式如下：
其中，是观察帧序列中的行人i位置，是观察帧序列中行人i的速度，是t时刻行人i在x轴方向的速度，单位为m/s；是t时刻行人i在y轴方向的速度，单位为m/s；是观察帧序列中，行人i的方向角，单位为rad；是行人i的输入序列，是行人i的输出序列；
其中分别为第i个行人在第t时刻的x、y坐标；将输入值输入到步骤A中的LSTM层A，输出为：
其中是LSTM层A的输出，W1是LSTM层...
【专利技术属性】
技术研发人员：连静，王欣然，李琳辉，周雅夫，周彬，杨曰凯，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。