基于生成对抗模仿学习模型的行人轨迹模拟方法及系统技术方案

本发明专利技术提供了一种基于生成对抗模仿学习模型的行人轨迹模拟方法及系统。其中，所述方法包括：将待仿真行人在目标区域内的起始位置的坐标和时间，输入至预先训练得到的生成对抗模仿学习模型；获得所述生成对抗模仿学习模型生成的所述待仿真行人的运动轨迹；其中，所述生成对抗模仿学习模型是利用预先获得的所述目标区域的行人轨迹和人口分布的热力图训练得到的。本发明专利技术实施例设计了一个生成对抗模仿学习模型，将人群的群体分布考虑进模型，使得生成的轨迹符合群体约束，其模拟得到的行人轨迹，更加接近于真实情况，从而提高了轨迹生成结果的真实性。结果的真实性。结果的真实性。

【技术实现步骤摘要】
基于生成对抗模仿学习模型的行人轨迹模拟方法及系统


[0001]本专利技术涉及行人轨迹生成
，具体而言，本专利技术涉及一种基于生成对抗模仿学习模型的行人轨迹模拟方法及系统。

技术介绍

[0002]行人轨迹模拟是包括商业利润估计，拥塞风险估计，流行病风险估计等在内的一系列应用的关键技术。例如，在室内场景中的模拟轨迹可以支持估计流行病风险或拥挤的风险，上述风险与人流中行人之间的距离密切相关。此外，行人轨迹还可以帮助估计公共场所的基础设施的负荷或提供一个更好的广告计划。因此，生成一个基于特定场景的轨迹是一项有重要意义的任务。
[0003]参考相关文献，如Isaacman,Sibren,et al."Human mobility modeling at metropolitan scales."Proceedings of the 10th international conference on Mobile systems,applications,and services.2012，Lin,Ziheng,et al."Deep generative models of urban mobility."IEEE Transactions on Intelligent Transportation Systems(2017)，Jie Feng,et al.2018.DeepMove:Predicting Human Mobility with Attentional Recurrent Networks.In Proceedings of the 2018World Wide Web Conference等，现有技术提出的传统的基于模型的方法，尝试用少数的物理量去预测人的轨迹，但是人的轨迹实际上是更加高维复杂的，在实践中，少数物理量难以够准确的对模型进行建模。
[0004]参考相关文献，如Kulkarni,Vaibhav,et al."Generative models for simulating mobility trajectories."arXiv preprint arXiv:1811.12801(2018)，Guanjie Zheng,et al.2020.Learning to Simulate Vehicle Trajectories from Demonstrations.2020IEEE 36th International Conference on Data Engineering(ICDE)(2020),1822—1825等，提出的生成对抗网络(Generative Adversarial Nets，GANs)试图学习从真实数据中模拟人类的移动行为，但是上述方法没有利用人类移动性知识的纯学习范式，因此学习过程在实践中效率低下。另外，人的轨迹是一个复杂的时空序列，GAN很难拟合这种分布。
[0005]可以看出，真实世界中的个体的时空周期性、规律性等难以建模，因此，传统的基于粒子的个体轨迹仿真模型的真实性较差，难以建模真实世界中的个体移动行为，而传统的生成对抗模仿学习(Generative Adversarial Imitation Learning，GAIL)网络模型难以考虑个体轨迹与轨迹间的关联，生成的个体轨迹不满足群体约束。因此，亟需一种轨迹生成方案，以提高行人轨迹的模拟结果的真实性。

技术实现思路

[0006]本专利技术实施例要解决的技术问题是提供一种基于生成对抗模仿学习模型的行人轨迹模拟方法及系统，结合群体分布热力图，在生成下一步决策时考虑群体分布，从而生成
符合群体约束的个体轨迹，提高了轨迹生成结果的真实性。
[0007]为解决上述技术问题，本专利技术实施例提供的一种基于生成对抗模仿学习模型的行人轨迹模拟方法，包括：
[0008]将待仿真行人在目标区域内的起始位置的坐标和时间，输入至预先训练得到的生成对抗模仿学习模型；
[0009]获得所述生成对抗模仿学习模型生成的所述待仿真行人的运动轨迹；
[0010]其中，所述生成对抗模仿学习模型是利用预先获得的所述目标区域的行人轨迹和人口分布的热力图训练得到的。
[0011]根据本专利技术的另一方面，至少一个实施例提供了一种基于生成对抗模仿学习模型的行人轨迹模拟系统，包括输入模块、生成对抗模仿学习模型和输出模块，其中，
[0012]所述输入模块，用于将待仿真行人在目标区域内的起始位置的坐标和时间，输入至预先训练得到的生成对抗模仿学习模型；
[0013]所述生成对抗模仿学习模型，用于根据所述待仿真行人在目标区域内的起始位置的坐标和时间，生成所述待仿真行人的运动轨迹
[0014]输出模块，用于输出所述待仿真行人的运动轨迹；
[0015]其中，所述生成对抗模仿学习模型是利用预先获得的所述目标区域的行人轨迹和人口分布的热力图训练得到的。
[0016]根据本专利技术的另一方面，至少一个实施例提供了一种基于生成对抗模仿学习模型的行人轨迹模拟系统，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。
[0017]根据本专利技术的另一方面，至少一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的方法的步骤。
[0018]与现有技术相比，本专利技术实施例提供的基于生成对抗模仿学习模型的行人轨迹模拟方法及系统，结合群体分布热力图，在生成下一步决策时考虑群体分布，从而生成符合群体约束的个体轨迹，能够提高行人轨迹模拟结果的真实性。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例的行人轨迹模拟方法的一种流程示意图；
[0021]图2为本专利技术实施例的生成对抗模仿学习模型的一种结构示意图；
[0022]图3为本专利技术实施例的行人轨迹模拟系统的一种结构示意图；
[0023]图4为本专利技术实施例的行人轨迹模拟系统的另一种结构示意图。
具体实施方式
[0024]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具
体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本专利技术的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本专利技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
[0025]应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本专利技术的至少一个实施例中。因此，在整个说明书各处出现的“在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗模仿学习模型的行人轨迹模拟方法，其特征在于，包括：将待仿真行人在目标区域内的起始位置的坐标和时间，输入至预先训练得到的生成对抗模仿学习模型；获得所述生成对抗模仿学习模型生成的所述待仿真行人的运动轨迹；其中，所述生成对抗模仿学习模型是利用预先获得的所述目标区域的行人轨迹和人口分布的热力图训练得到的。2.如权利要求1所述的方法，其特征在于，在将待仿真行人在目标区域内的起始位置的坐标和时间之前，所述方法还包括：利用预先获得的所述目标区域的行人轨迹和人口分布的热力图，训练得到所述生成对抗模仿学习模型。3.如权利要求2所述的方法，其特征在于，所述生成对抗模仿学习模型的训练包括：构建包括生成器和判决器的生成对抗模仿学习模型；获取所述目标区域在预设时间范围内的多个行人轨迹以及所述目标区域在所述预设时间范围内人口分布的多个热力图，其中，每个行人轨迹包括行人的多个位置点及时间，每个热力图对应于所述时间范围内的一段时间区间；将所述行人轨迹的第一位置点及对应的第一时间输入至所述生成器，获得所述生成器预测得到的下一时间单位的第一预测位置点；将所述热力图、所述行人轨迹的第一位置点、第一时间和第一预测位置点输入至所述判决器，获得所述生成器计算得到的回报值；利用所述回报值对所述生成对抗模仿学习模型进行训练，直至满足预设的训练结束条件。4.如权利要求3所述的方法，其特征在于，所述回报值包括：所述第一位置点和所述行人轨迹中的下一时间单位的第二位置点之间的差异；以及，第一方向与第二方向之间的差异；其中，所述第一方向是所述第一位置点到第一预测位置点的方向，所述第二方向是第一位置点到第一人群聚集点的方向，所述第一人群聚集点是所述第一时间对应的热力图中与所述第一位置点最接近的人群聚集点。5.一种基于生成对抗模仿学习模型的行人轨迹模拟系统，其特征在于，包括输入模块、生成对抗模仿...

【专利技术属性】
技术研发人员：李勇，吴雨宸，高昌正，韩振宇，张杨，谢雨来，耿璐，
申请(专利权)人：清华大学，
类型：发明
国别省市：