一种基于改进SSAGCN算法的行人轨迹预测方法及系统技术方案

本发明专利技术涉及行人轨迹预测技术领域，特别是涉及一种基于改进SSAGCN算法的行人轨迹预测方法及系统。包括：获取行人轨迹预测数据集，对所述行人轨迹预测数据集中的数据进行处理；构建SSAGCN网络模型；将所述SSAGCN网络模型的主干特征网络融合改进的行人注意力分配模块，得到融合后的SSAGCN网络模型；通过TXP

【技术实现步骤摘要】
一种基于改进SSAGCN算法的行人轨迹预测方法及系统


[0001]本专利技术涉及行人轨迹预测
，特别是涉及一种基于改进SSAGCN算法的行人轨迹预测方法及系统。

技术介绍

[0002]随着人工智能技术的快速发展，无人驾驶技术也在飞速进步。行人轨迹预测可以帮助无人驾驶车辆更好地识别和预测行人的行动，对于辅助驾驶来说，预测行人轨迹可以避免长时间驾驶带来的潜在风险，以避免潜在的碰撞和事故。例如，在交叉口处，无人驾驶汽车可以利用行人轨迹预测技术来预测行人的行动，从而更好地规划自己的行驶路径和速度，以保证交通安全。
[0003]行人轨迹预测还在机器人和智能监控系统有着重要应用。在机器人领域，行人轨迹预测可以帮助机器人更好地理解周围环境中的行人行为，从而更好地完成任务。在视频监控中，行人轨迹预测可以帮助检测异常行为和行人的位置。例如，在商场或公共场所的监控中，可以利用行人轨迹预测技术来跟踪客人的行动，监测他们的购物行为和行走路线。
[0004]轨迹预测任务中行人时刻与其他行人存在交互，会考虑周围行人的运动状态，避免发生碰撞等危险行为，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进SSAGCN算法的行人轨迹预测方法，其特征在于，包括：S1、获取行人轨迹预测数据集，对所述行人轨迹预测数据集中的数据进行处理，以将所述行人轨迹预测数据集划分为训练集、验证集以及测试集；S2、构建SSAGCN网络模型；S3、将所述SSAGCN网络模型的主干特征网络融合改进的行人注意力分配模块，得到融合后的SSAGCN网络模型，将所述训练集输入至所述融合后的SSAGCN网络模型进行特征提取，通过图卷积得到行人间交互信息特征和场景与行人交互信息特征，将所述交互信息特征的权重参数输入至所述融合后的SSAGCN网络模型，所述融合后的SSAGCN网络模型对所述交互信息特征进行学习，将所述训练集输入至融合后的SSAGCN网络模型中进行训练，得到融合后的特征图；S4、通过TXP
‑
CNN对所述训练集中的行人轨迹坐标进行预测，得到预测结果，利用损失函数训练所述融合后的SSAGCN网络模型；S5、将所述验证集输入至所述融合后的SSAGCN网络模型，得到最优权重，并通过对所述测试集进行测试，得到最终的轨迹预测结果。2.根据权利要求1所述的一种基于改进SSAGCN算法的行人轨迹预测方法，其特征在于，步骤S2中的构建SSAGCN网络模型包括：特征提取网络，用于进行特征提取，提取到的特征作为特征层；预测网络，用于对特征进行分类和定位，得到最终的轨迹预测结果。3.根据权利要求1所述的一种基于改进SSAGCN算法的行人轨迹预测方法，其特征在于：步骤S3中的行人注意力分配模块包括速度、方向和距离的社会注意力模块和物理注意力模块，所述社会注意力模块中的社会注意力机制的公式为：块，所述社会注意力模块中的社会注意力机制的公式为：其中，为节点i在t时刻的速度向量，为节点j在t时刻的速度向量，和为节点位移信息，α和β为节点i的速度向量与节点j的速度向量之间的夹角，ω为超参数，表示行人的注意力参数；得到注意力函数：其中，c是节点个数，是节点的输出值；所述物理注意力模块中的物理注意力机制的公式为：V
ph
＝VGG19(I
scence
,W
vgg19
)，其中，I
scence
为场景帧图片，W
vgg19
为VGG19的预训练权重，V
ph
为场景特征，W
att
为物理注意力模块参数，包括行人i在t＝1,2,
…
,T
obs
时刻与场景的所有交互信息，更新节点i在t时
刻包括的信息，更新方式为：其中，Φ(...

【专利技术属性】
技术研发人员：韩超，杨基坤，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：