【技术实现步骤摘要】
基于时空注意力机制和神经常微分方程的轨迹预测方法
[0001]本专利技术属于行人轨迹预测
，特别是涉及一种基于时空注意力机制和神经常微分方程的轨迹预测方法
。
技术介绍
[0002]轨迹预测是一种根据行人或其他主体过去的动作和环境线索来预测其未来位置的任务
。
对于自动驾驶
、
机器人导航
、
行人跟踪和人机交互等许多应用来说，这是一个至关重要的问题
。
然而，由于行人的行为
、
行人间的交互以及场景动态的复杂性和不确定性，因此与从遵守物理定理的规则分布数据进行的推断的工作相比，行人轨迹预测是一项非常具有挑战性的任务
。
[0003]目前现有的工作都对行人之间的交互和行人自身时间维度进行了建模，并且由于机器学习技术的快速发展，人们已经提出了各种方法来解决这个问题，从线性模型到深度学习模型
。
线性模型简单且快速，但它们常常无法捕捉人类轨迹的非线性和多样性，而深度学习模型则更强大
、
更
【技术保护点】
【技术特征摘要】
1.
一种基于时空注意力机制和神经常微分方程的轨迹预测方法，其特征在于，包括以下步骤：获取行人和相邻行人的历史轨迹，将所述历史轨迹转化为社会特征向量；采用时空注意力机制与图注意力机制，基于所述历史轨迹与所述社会特征向量获取初始潜在变量与外部输入变量；基于所述初始潜在变量与所述外部输入变量获取潜在变量；基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于所述历史轨迹与所述潜在变量获取行人的预测位移序列；将所述预测位移序列与所述历史轨迹的序列相加，获取最终预测结果；基于所述预测位移序列对所述轨迹预测模型进行参数优化
。2.
根据权利要求1所述的基于时空注意力机制和神经常微分方程的轨迹预测方法，其特征在于，将所述历史轨迹转化为社会特征向量的过程包括：获取所述历史轨迹中某时刻行人的二维坐标
、
速度加速度以及位移序列；基于所述二维坐标
、
速度加速度以及位移序列计算不同行人之间的欧式距离
、
方位角以及最小预测距离；将所述欧式距离
、
方位角以及最小预测距离进行拼接，获取所述社会特征向量
。3.
根据权利要求1所述的基于时空注意力机制和神经常微分方程的轨迹预测方法，其特征在于，基于所述历史轨迹与所述社会特征向量获取外部输入变量的过程包括：采用时空注意力机制构建关系维度编码器，将所述历史轨迹...
【专利技术属性】
技术研发人员：柯渴欣，邵东恒，魏宪，刘缨杰，汤璇，陈铭松，段成伟，杨剑，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。