行人长时轨迹预测方法、装置制造方法及图纸

本发明专利技术提出一种行人轨迹预测方法、装置、介质，所述方法包括获取行人历史位置地图、全局场景地图以及行人历史观测轨迹；依据所述行人历史位置地图和全局场景地图，获得行人的场景位置特征；对所述行人历史观测轨迹进行建模，生成行人未来运动趋势；依据所述行人未来运动趋势、行人的场景位置特征预测出行人终点，并结合行人终点预测未来轨迹。该方法是结合行人未来运动趋势、全局场景布局和多模态目标的长期轨迹预测模型，在行人长时轨迹预测上提升了预测准确性。提升了预测准确性。提升了预测准确性。

【技术实现步骤摘要】
行人长时轨迹预测方法、装置


[0001]本专利技术涉及人群轨迹预测
，尤其涉及一种行人长时轨迹预测方法、装置。

技术介绍

[0002]现有行人轨迹预测方法多数围绕在对短时轨迹预测问题进行研究，长时轨迹预测涉及到的预测时间更长，行人运动距离更远、周围的场景变化更大，并且观察阶段短期的行人交互对行人未来长期运动的影响逐渐减弱。而行人的目标位置作为行人运动意图的体现，决定了行人运动的大致趋势，对行人未来路线的影响也逐渐加大。
[0003]现有行人轨迹预测方法多数围绕在对短时轨迹预测问题进行研究，之前的短时轨迹预测的缺点为行人运动距离较短，并且涉及到的场景变化较少，在现实应用中具有一定的局限性。而长时轨迹预测涉及到的预测时间更长，行人运动距离更远、周围的场景变化更大，观察阶段短期的行人交互对行人未来长期运动的影响逐渐减弱，而行人的目标位置作为行人运动意图的体现，对行人未来路线的影响逐渐加大。现有Ynet模型虽实现了长时轨迹预测，但其在人与场景的关联建模、利用场景布局提取行人终点及行人运动模式提取上依然存在缺陷，导致预测的目标可能位于树木、楼房等位置上或存在行人未来轨迹与行人运动趋势不符的情况。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种行人长时轨迹预测方法、装置，该方法结合行人未来运动趋势、全局场景布局和多模态目标的长期轨迹预测模型，在行人长时轨迹预测上提升了预测准确性。
[0005]为了实现上述目的，本专利技术一方面提供一种行人长时轨迹预测方法，包括：
[0006]获取行人历史位置地图、全局场景地图以及行人历史观测轨迹；
[0007]依据所述行人历史位置地图和全局场景地图，获得行人的场景位置特征；
[0008]对所述行人历史观测轨迹进行建模，生成行人未来运动趋势；
[0009]依据所述行人未来运动趋势、行人的场景位置特征预测出行人轨迹。
[0010]可选的，所述依据行人历史位置地图和全局场景地图，获得行人的场景位置特征，包括：
[0011]将所述行人历史位置地图和全局场景地图进行拼接，作为行人场景位置编码器的输入，
[0012]利用行人场景位置编码器，对场景位置编码，得到行人的场景位置特征。
[0013]可选的，所述对所述行人历史观测轨迹进行建模，生成行人未来运动趋势，包括：
[0014]利用多层感知机对所述行人历史观测轨迹进行趋势编码和解码，生成行人未来运动趋势；
[0015]所述行人未来运动趋势表示为：
[0016]X
tend
＝MLP
dec
(MLP
enc
(X
obs
；W
me
)；W
md
)
[0017]其中，MLP
enc
表示多层感知机构成的运动趋势编码器，X
obs
为行人的历史观测轨迹，W
me
表示运动趋势编码器的参数，MLP
dec
表示多层感知机构成的运动趋势解码器，W
md
表示运动趋势解码器的参数，X
tend
表示最后生成的行人未来运动趋势。
[0018]可选的，所述行人的场景位置特征包括与终点目标相关的第一场景位置特征以及与轨迹相关的第二场景位置特征；
[0019]所述依据所述行人未来运动趋势、行人的场景位置特征预测出行人轨迹，包括：
[0020]依据所述第一场景位置特征，得到行人终点目标地图；
[0021]依据所述行人终点目标地图、所述第二场景位置特征、以及所述行人未来运动趋势，得到所述行人轨迹。
[0022]可选的，利用注意力机制从所述行人的场景位置特征中提取出所述第一场景位置特征以及所述第二场景位置特征。
[0023]可选的，所述行人终点目标地图表示为：
[0024]M
des
＝Conv
des
(feature
des
；W
des
)
[0025]其中，M
des
表示生成的行人终点目标地图，Conv
des
代表基于卷积层的终点目标解码器，W
des
表示终点目标解码器的参数，feature
des
表示与终点目标相关的第一场景位置特征，Conv
des
表示终点目标解码器。
[0026]可选的，所述的方法还包括：
[0027]将所述全局场景地图中的各个区域进行分类并对各分类区域进行标记，构建场景布局修正地图；
[0028]将所述行人终点目标地图通过所述场景布局修正地图进行修正，得到修正后的所述行人终点目标地图。
[0029]可选的，将所述全局场景地图中的各个区域划分为经常通行区域、偶尔通行区域和禁止通行区域三种分类形式，并将三种分类通行区域按照行人通过的几率以从大到小的概率形式，构建场景布局修正地图；
[0030]将所述行人终点目标地图通过所述场景布局修正地图进行修正，抛弃禁行通行区域的行人终点目标，得到修正后的所述行人终点目标地图，修正后的所述行人终点目标地图包括经常通行区域的行人终点目标与偶尔通行区域的行人终点目标。
[0031]可选的，所述依据所述行人终点目标地图、所述第二场景位置特征、以及所述行人未来运动趋势，得到所述行人轨迹，包括：
[0032]对所述行人未来运动趋势及修正后的所述行人终点目标地图进行降采样，使所述行人未来运动趋势及所述行人终点目标地图与场景位置编码的每一层的维度都一一对应；
[0033]在轨迹解码器的每一层都融入修正后的所述行人终点目标地图、行人未来运动趋势、以及所述第二场景位置特征，解码得到所述行人轨迹；
[0034]所述行人轨迹表示为：
[0035]M
traj
＝Conv
traj
(Concat(feature
traj
,M
tend
,M
goal
)；W
traj
)
[0036]其中，feature
traj
表示第二场景位置特征，M
tend
为行人未来运动趋势，M
goal
为行人终点目标地图，Concat表示拼接操作，Conv
traj
为轨迹解码器，W
traj
为轨迹解码器的参数，M
traj
为行人轨迹。
[0037]本专利技术另一方面还提供一种行人长时轨迹预测装置，采用上述的行人长时轨迹预
测方法，所述装置至少包括：
[0038]获取模块，用于获取行人历史位置地图、全局场景地图以及行人历史观测轨迹；
[0039]场景位置编码模块，用于依据所述行人历史位置地图和全局场景地图，获得行人的场景位置特征；
...

【技术保护点】

【技术特征摘要】
1.一种行人长时轨迹预测方法，其特征在于，包括：获取行人历史位置地图、全局场景地图以及行人历史观测轨迹；依据所述行人历史位置地图和全局场景地图，获得行人的场景位置特征；对所述行人历史观测轨迹进行建模，生成行人未来运动趋势；依据所述行人未来运动趋势、行人的场景位置特征预测出行人轨迹。2.根据权利要求1所述的方法，其特征在于，所述依据行人历史位置地图和全局场景地图，获得行人的场景位置特征，包括：将所述行人历史位置地图和全局场景地图进行拼接，作为行人场景位置编码器的输入，利用行人场景位置编码器，对场景位置编码，得到行人的场景位置特征。3.根据权利要求1所述的方法，其特征在于，所述对所述行人历史观测轨迹进行建模，生成行人未来运动趋势，包括：利用多层感知机对所述行人历史观测轨迹进行趋势编码和解码，生成行人未来运动趋势；所述行人未来运动趋势表示为：X
tend
＝MLP
dec
(MLP
enc
(X
obs
；W
me
)；W
md
)其中，MLP
enc
表示多层感知机构成的运动趋势编码器，X
obs
为行人的历史观测轨迹，W
me
表示运动趋势编码器的参数，MLP
dec
表示多层感知机构成的运动趋势解码器，W
md
表示运动趋势解码器的参数，X
tend
表示最后生成的行人未来运动趋势。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述行人的场景位置特征包括与终点目标相关的第一场景位置特征以及与轨迹相关的第二场景位置特征；所述依据所述行人未来运动趋势、行人的场景位置特征预测出行人轨迹，包括：依据所述第一场景位置特征，得到行人终点目标地图；依据所述行人终点目标地图、所述第二场景位置特征、以及所述行人未来运动趋势，得到所述行人轨迹。5.根据权利要求4所述的方法，其特征在于，利用注意力机制从所述行人的场景位置特征中提取出所述第一场景位置特征以及所述第二场景位置特征。6.根据权利要求4所述的方法，其特征在于，所述行人终点目标地图表示为：M
des
＝Conv
des
(feature
des
；W
des
)其中，M
des
表示生成的行人终点目标地图，Conv
des
代表基于卷积层的终点目标解码器，W
des
表示终点目标解码器的参数，feature...

【专利技术属性】
技术研发人员：毛天露，王奕苏，王兆其，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：