【技术实现步骤摘要】
一种基于旋转等变卷积神经网络的行人轨迹预测方法
[0001]本专利技术属于轨迹预测
,尤其涉及一种基于旋转等变卷积神经网络的行人轨迹预测方法
。
技术介绍
[0002]轨迹预测是根据过去的行为和环境线索来预测行人或其他物体未来位置的任务,在自动驾驶
、
机器人导航
、
行人跟踪和人机交互等领域具有重要意义
。
然而,由于行人行为
、
交互以及场景动态的复杂性和不确定性,与基于规则分布数据的物理定律推断相比,行人轨迹预测是一项极具挑战性的任务
。
[0003]近年来,随着深度学习的发展,从序列数据中提取特征并使用它们来预测未来吸引了许多领域的研究,如天气预测
、
交通预测和物理模拟等
。
相比于与用物理定律或特定规则进行推理相比,行人有着较高机动性的同时受到较少约束,且本身具有多模态的特性,这使得对行人轨迹进行预测具有很大挑战
。
[0004]传统的工作使用确定性模型来预测行人轨迹确定性模型不能有效地捕捉这种多模态特性
。
在长期轨迹预测中,确定性模型的这种缺点变得更加明显
。
在最近的工作中,基于深度学习的行人轨迹预测方法取得了较好的结果,但当前模型仍存在预测不够鲁棒的缺陷
。
技术实现思路
[0005]为解决上述问题,本专利技术提供了如下方案:
[0006]一种基于旋转等变卷积神经网络的行人轨迹预测方法,包括以下 ...
【技术保护点】
【技术特征摘要】
1.
一种基于旋转等变卷积神经网络的行人轨迹预测方法,其特征在于,包括以下步骤:获取鸟瞰视角下的地面
RGB
图像和行人历史轨迹数据;对所述地面
RGB
图像和行人历史轨迹数据进行预处理,获得行人轨迹数据集,并将所述行人轨迹数据集划分为训练集和测试集;将训练集中的地面
RGB
图像输入到语义分割网络中进行语义分割,获得地面语义分割图;基于训练集中的行人历史轨迹数据获得历史轨迹热力图;将所述地面语义分割图和历史轨迹热力图进行通道维度拼接处理,获得拼接图,将所述拼接图输入到编码器中通过旋转等变卷积模块对特征进行编码,提取特征并学习旋转等变性,获得编码特征;将所述图像特征输入到目标点热力图解码器,输出目标点热力图;将所述编码特征与目标点热力图进行特征融合,得到特征融合图,将所述特征融合图输入到未来轨迹预测解码器中,获得行人轨迹预测结果
。2.
根据权利要求1所述的基于旋转等变卷积神经网络的行人轨迹预测方法,其特征在于,所述获取鸟瞰视角下的地面
RGB
图像和行人历史轨迹数据的方法包括:通过无人机拍摄鸟瞰视角下地面
RGB
图像和行人历史轨迹数据;所述地面
RGB
图像包括行人
、
道路
、
建筑
、
植被;行人历史轨迹数据包括行人坐标位置信息
。3.
根据权利要求1所述的基于旋转等变卷积神经网络的行人轨迹预测方法,其特征在于,所述预处理的方法包括:将行人历史轨迹数据中的行人坐标位置信息与地面
RGB
图像进行匹配和对齐
。4.
根据权利要求1所述的基于旋转等变卷积神经网络的行人轨迹预测方法,其特征在于,所述地面语义分割图通过
U
‑
Net
语义分割网络得到,
U
‑
Net
语义分割网络以动作类别对地面
RGB
图像进行分割,所述动作类别包括行走
、...
【专利技术属性】
技术研发人员:程纪钧,魏宪,王昊,邵东恒,杨剑,陈铭松,汤璇,
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。