行人运动轨迹预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种行人运动轨迹预测方法、装置、电子设备及存储介质，其中方法包括：确定当前时刻机器人轨迹、当前时刻行人轨迹和行人当前地图；基于行人运动预测模型，应用所述当前时刻机器人轨迹和所述当前时刻行人轨迹，确定当前时刻群体交互特征，并应用所述当前时刻群体交互特征、所述当前时刻行人轨迹和所述行人当前地图，确定当前时刻之后预设连续多个时刻的行人运动位置；所述当前时刻群体交互特征用于表示机器人和行人之间，以及行人之间的交互关系特征，实现了行人运动预测模型能够依据机器人和行人之间的群体交互关系进行行人运动轨迹预测，提高了行人运动预测模型所预测的行人运动轨迹的准确性。人运动轨迹的准确性。人运动轨迹的准确性。

【技术实现步骤摘要】
行人运动轨迹预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种行人运动轨迹预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着机器人技术的发展，越来越多的机器人被应用于人类生活和工作的场所，为人类提供清洁、引导、搬运等服务任务。机器人在人机共存的场景中运动时，通过预测周围行人的运动轨迹进行预测，可以使自身的运动规划具有前瞻性，从而实现更好的避障性能。
[0003]目前针对行人运动轨迹预测主要是通过循环神经网络或者长短时记忆模型等循环和递归网络，对行人运动的时序特性进行编码，并结合行人之间的交互关系提取进行轨迹预测。但现有的预测模型进行针对行人之间的交互关系，未考虑行人和机器人共存环境下机器人的运动对群体交互关系以及环境地图对个体运动的影响，导致预测的行人运动轨迹的准确率较低。

技术实现思路

[0004]本专利技术提供一种行人运动轨迹预测方法、装置、电子设备及存储介质，用以解决现有技术中因未考虑机器人运动群体交互关系以及环境地图对个体运动的影响导致预测行人运动轨迹准确率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人运动轨迹预测方法，其特征在于，包括：确定当前时刻机器人轨迹、当前时刻行人轨迹和行人当前地图；基于行人运动预测模型，应用所述当前时刻机器人轨迹和所述当前时刻行人轨迹，确定当前时刻群体交互特征，并应用所述当前时刻群体交互特征、所述当前时刻行人轨迹和所述行人当前地图，确定当前时刻之后预设连续多个时刻的行人运动位置；所述当前时刻群体交互特征用于表示机器人和行人之间，以及行人之间的交互关系特征。2.根据权利要求1所述的行人运动轨迹预测方法，其特征在于，所述行人运动预测模型包括交互特征提取网络；所述应用所述当前时刻机器人轨迹和所述当前时刻行人轨迹，确定当前时刻群体交互特征，并应用所述当前时刻群体交互特征，包括：基于所述当前时刻机器人轨迹，应用所述交互特征提取网络中的机器人轨迹嵌入层，确定机器人轨迹特征；基于所述当前时刻行人轨迹，应用所述交互特征提取网络中的行人轨迹嵌入层，确定行人轨迹特征；基于所述机器人轨迹特征和所述行人轨迹特征，确定所述当前时刻群体交互特征。3.根据权利要求2所述的行人运动轨迹预测方法，其特征在于，所述基于所述机器人轨迹特征和所述行人轨迹特征，确定所述当前时刻群体交互特征，包括：基于所述机器人轨迹特征和所述行人轨迹特征，应用所述交互特征提取网络中的交互特征融合层，确定当前时刻群体相互关系特征；基于所述当前时刻群体相互关系特征，应用所述交互特征提取网络中的交互特征时序提取层，确定所述当前时刻群体交互特征。4.根据权利要求3所述的行人运动轨迹预测方法，其特征在于，所述当前时刻群体相互关系特征的获取公式如下：s＝MaxPooling[MLP(E1),MLP(E2),...，MLP(E
N
),MLP(E
r
)]式中，s中表示当前时刻群体相互关系特征，MaxPooling表示最大池化层，MLP表示多层感知机，E
r
表示机器人轨迹特征，E1至E
N
表示第1个行人至第N个行人的行人轨迹特征。5.根据权利要求1所述的行人运动轨迹预测方法，其特征在于，所述行人运动预测模型包括轨迹预测网络；所述应用所述当前时刻群体交互特征、所述当前时刻行人轨迹和所述行人当前地图，确定当前时刻之后预设连续多个时刻的行人运动位置，包括：确定当前已测轨迹和当前预测时刻；并基于所述当前时刻行人轨迹和所述当前已测轨迹，确定观测轨迹；基于所述观测轨迹，应用所述轨迹预测网络中的观测嵌入层，确定观测轨迹...

【专利技术属性】
技术研发人员：孙世颖，秦昊昊，赵晓光，张宇佳，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：