一种基于时空特征的行人路径预测方法技术

本发明专利技术公开了一种基于时空特征的行人轨迹预测方法

【技术实现步骤摘要】
一种基于时空特征的行人路径预测方法


[0001]本专利技术属于人工智能领域，具体地说，涉及一种基于时空特征的行人路径预测方法
。

技术介绍

[0002]当前机器学习按照学习模式的不同，基本实现方法不同，大体上能够分为三大类，即：有监督学习
Supervised Learning(
基于拥有样本标签的数据
)
，无监督学习
Unsupervised Le arning(
训练数据中不存在事先人工标记的标签
)
和强化学习
(
一种基于马尔可夫决策模型的代理
‑
环境互动探索模型
)。
其中，强化学习
(Reinforcement Learning)
作为机器学习的一种实现，已经在越来越多决策问题领域发挥至关重要的作用，并且在一些策略游戏中也已经展现了出色的成绩，如
DeepMind
公司推出的
AlphaGo、AphaZero
等围棋机器人系列；同时在智慧城市交通信号控制等研究中也本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时空特征的行人路径预测方法，其特征在于，包括以下步骤：步骤
S1
：构建基于
GAN
网络的
GAIL
模型，包括：步骤
S11
：构建
GAIL
模型，如下式
(I)
：在上式
(I)
中，
E
表示策略的期望或策略为专家的期望，
π
是训练得到的策略模型，
E
π
即为对策略
π
求取期望运算；
E
π
E
表示对专家数据蕴含的专家策略求取期望运算；
log
表示求以
10
为底的对数；
D
为判别器，
s
表示当前时刻的状态，
H
表示
λ
参数控制的策略调整器，同时根据所学习的策略，输出对应的动作值记作
a
π
，
a
π
E
表示采用专家策略生成的动作值；
action
所对应的动作空间是
A<v
x
，
v
y
>
；步骤
S12
：
GAIL
模型对照到
GAN
网络，可以得到公式
(II)
：其中，
s
和
a
分别表示状态空间和动作空间，
S
和
A
分别表示
s
和
a
的取值范围；其余参数同公式
(I)
；其训练过程是一个最小化和最大化的过程，同时进行生成器和策略网络的博弈，使得策略网络在生成器的打分中不断优化模型参数，得到最小值，同时，对判别器不断进行判别能力训练，以便最大化以上的目标函数值；步骤
S2
：在所述
GAIL
模型中融合
Mogrifier LSTM
提取的历史信息，基于前
n
个可变步长的预测过程，给出下一时刻的结果预测，其中，
n
为自然数；步骤
S3
：构建与
Mogrifier LSTM
模型适配的缓冲区；步骤
S4
：构建基于
Mogrifier LSTM
的
MogrifierGAIL
模型；步骤
S5
：将判别器模型和生成器进行优化，直至达到一种稳态即纳什均衡点；步骤
S6
：输入行人轨迹数据至
S5
得到的训练好的模型；将所观测到的轨迹作为输入，所观测的长度可以是1个五元组
【x1,y1,x,y,t
＝
1】
至8个五元组组成的序列；步骤
S7
：利用训练好的模型进行输出，得到该行人的预测轨迹数据
。2.
根据权利要求1所述基于时空特征的行人路径预测方法，其特征在于，还包括：步骤
S13
：对于策略
π
进行优化，将问题归类为最小化
JS
散度的问题，具体包括：步骤
S131
：首先将度量两种策略的占用度量公式转化为特殊的风险期望值；步骤
S132
：为了最小化策略度量，可以对风险期望值进行最小化探索，将对于正则化项的推导进一步转化成为对于风险期望函数的推导；步骤
S133
：最终得到对于策略更新过程中的自然梯度更新
。3.
根据权利要求1所述基于时空特征的行人路径预测方法，其特征在于：步骤
S2
中，在
GAIL
模型中融合
Mogrifier LSTM
提取的历史信息的操作如下：步骤
S21
：对行人的下一步位置或者行人所采取的行动进行预测，提出加入
Mogrifier LSTM
进行前几步长的时序特征隐藏层输出值融入模型中；步骤
S22
：将前几步长的时序特征与当前的观测状态同时进行考量，做出基于前几个时间步而言在合理接受的阈值范围内的行为动作；步骤
S23
：得到较为可靠的预测精确度
。4.
根据权利要求1所述基于时空特征的行人路径预测方法，其特征在于：其中，前
n
个时刻的历史轨迹将会被作为模型的记忆信息输入
Mogrifier LSTM
网络中，
基于上述历史轨迹的绝对坐标信息，提取出对应的输出状态；将上述输出状态在后续应用到多层感知器中进行特征融合，使用
Mogrifier LSTM
提取时序特征
。5.
根据权利要求1所述基于时空特征的行人路径预测方法，其特征在于：步骤
S3
中，构建与
Mogrifier LSTM
适配的缓冲区的具体操作如下：步骤
S31
：假设我们目前设定的观测值为
n
，在前期，从开始到当前观测时刻
t...

【专利技术属性】
技术研发人员：李爱民，周昊田，崔世淼，费蓉，周中银，周红芳，李军怀，刘雅君，黑新宏，拓守恒，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：