一种基于深度学习的行人轨迹预测方法和系统技术方案

本发明专利技术公开了一种基于深度学习的行人轨迹预测方法和系统，包括以下步骤，采集模块采集复杂环境下行人和车辆数据；转换模块将采集来的数据转换为统一以摄像设备为基础的坐标系；行人数据标签和车辆数据标签分开命名利用区分模块区分；所述数据输入深度学习算法模型进行训练，当观测结果达到收敛效果时训练结束。本发明专利技术的有益效果：一是行人与行人间、行人与车辆和车辆与车辆间的相互关系，包括交通信息，这种综合信息能够提高行人轨迹预测的精度，最大程度的模拟行人在真实场景下所考虑的因素来预测轨迹。

A method and system of pedestrian trajectory prediction based on deep learning

【技术实现步骤摘要】
一种基于深度学习的行人轨迹预测方法和系统
本专利技术涉及行人轨迹预测的
，尤其涉及一种基于深度学习的复杂环境下行人轨迹预测方法和行人轨迹预测系统。
技术介绍
近年来随着人工智能产业的兴起，无人驾驶领域也在不断发展，其中行人检测得到广泛关注，近年来国内外学者对行人预测也展开了研究，但在无人驾驶系统中研究较少，行人预测是通过目标已有的运动轨迹对其未来固定时刻的位置坐标进行预测。无人驾驶领域内，行人轨迹预测是至关重要的。如果没有预测，无人车不知下一阶段如何进行驾驶操作，以至于无人车会非常的不安全。例如：无人车右前方有一个行人，下一阶段车辆是应该刹车、减速、或者变道呢，如果不加预测，任何一种操作都有可能导致驾驶感觉非常不好，或者产生危险的操作。在以往轨迹预测领域，要么是基于车辆动力学模型，或者是基于行人之间的交互，对于复杂情况下(十字路口等人多、车多的情况下)效果非常不理想。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做本文档来自技高网...

【技术保护点】
1.一种基于深度学习的行人轨迹预测方法，其特征在于：包括以下步骤，/n采集模块(100)采集复杂环境下行人和车辆数据；/n转换模块(200)将采集来的数据转换为统一以摄像设备为基础的坐标系；/n行人数据标签和车辆数据标签分开命名并利用区分模块(300)区分；/n区分后的所述数据输入深度学习算法模型(400)进行训练，当观测结果达到收敛效果时训练结束；/n利用所述深度学习算法模型(400)预测行人轨迹。/n

【技术特征摘要】
1.一种基于深度学习的行人轨迹预测方法，其特征在于：包括以下步骤，
采集模块(100)采集复杂环境下行人和车辆数据；
转换模块(200)将采集来的数据转换为统一以摄像设备为基础的坐标系；
行人数据标签和车辆数据标签分开命名并利用区分模块(300)区分；
区分后的所述数据输入深度学习算法模型(400)进行训练，当观测结果达到收敛效果时训练结束；
利用所述深度学习算法模型(400)预测行人轨迹。


2.如权利要求1所述的基于深度学习的行人轨迹预测方法，其特征在于：所述采集模块(100)使用摄像设备采集人脸图像包括以下环境要求，
摄像设备位置要足够的高，要求清晰的看到场景内的所有行人和车辆，所述摄像头的角度垂直地面；
在行驶的车辆上部署摄像头，车辆配备激光雷达高精度测距仪器。


3.如权利要求1或2所述的基于深度学习的行人轨迹预测方法，其特征在于：所述区分模块(300)还包括对数据进行处理，把行人、车辆和车辆周围环境的目标进行打标签。


4.如权利要求3所述的基于深度学习的行人轨迹预测方法，其特征在于：所述深度学习算法模型(400)包括考虑到行人与车辆、车辆与车辆间的相互关系进行行人轨迹预测的参考，以及参考交通信号标识，综合考虑路上交通信息，进行策略判断。


5.如权利要求1～2或4任一所述的基于深度学习的行人轨迹预测方法，其特征在于：所述深度学习算法模型(4...

【专利技术属性】
技术研发人员：秦童，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：江苏;32