System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于轨迹预测,涉及基于transformer和终点信息的行人轨迹预测方法。
技术介绍
1、近年来,随着计算机视觉技术和深度学习技术的迅速发展,基于人群中行人未来轨迹路径的预测技术越来越多地应用于现实生活中。人体运动轨迹预测是计算机视觉领域中一项具有挑战性的问题,特别在拥挤区域中,这一领域的研究引起了广泛关注。在当今的城市生活中,交通拥堵和城市规划成为严重挑战,而行人的行为和移动是城市交通和规划的关键因素。通过行人轨迹预测,我们可以更好地理解和优化城市中行人的参与方式,从而改善城市规划和交通管理,减少拥堵并提高交通效率。此外,行人轨迹预测也有助于城市的可持续性,因为它鼓励步行和公共交通的使用,减少了对个人汽车的过度依赖,有助于减少能源消耗和环境污染。随着自动驾驶技术的不断发展,自动驾驶车辆需要能够准确地识别和预测行人的行为,以确保道路安全。行人轨迹预测为自动驾驶系统提供了有关周围行人行为的重要信息,帮助车辆避免碰撞并做出合适的决策,从而提高了道路交通的安全性。因此,行人轨迹预测技术的发展对于实现智能城市、改善交通管理、提高城市安全性和可持续性都具有非常重要的意义。
2、随着计算机视觉技术和深度学习的迅猛发展,行人轨迹预测在深度学习领域取得了显著进展,引领了人群行为分析的研究潮流。这一发展背景下,行人轨迹预测技术具有更大的应用前景和重要意义。深度学习技术的崛起为行人轨迹预测提供了强大的工具和方法。在拥挤区域中,传统的轨迹预测方法常常难以准确捕捉人群的复杂行为,而深度学习模型能够自动从大量数据中学习到更具体的行人
3、行人运动的社会属性在轨迹预测中起着至关重要的作用,往往最终模型预测轨迹精度与模型对场景中行人的社会属性特征提取的准不准确有很强的相关性。其次,行人会对他们要到达的目的地保持一种意向,这种意向决定了他们轨迹的长期趋势,这对行人轨迹预测起着积极的作用。因此设计一种基于transformer和终点信息的行人轨迹预测方法对提高轨迹预测的精度具有重要的意义。
技术实现思路
1、本专利技术的目的在于提供了一种基于transformer和终点信息的行人轨迹预测方法。预测行人运动对于导航,计划,人机交互以及其他关键机器人任务至关重要。但是,预测人类的运动会产生细微差别,因为人类有意愿施加因果力来改变自己的动作,并在他们绕过障碍物以实现其目标时不断调整其路径。这个复杂的计划过程是部分内部的,因此使得根据观测结果预测人类轨迹具有挑战性。因此,应考虑多个方面除了过去的移动历史外,还包括其他潜在的预定目标,场景中的其他移动主体以及社交行为模式。transformer是一种自注意力机制的深度学习模型,可以捕捉复杂的时间和空间依赖关系,并且能够有效的处理长序列数据。条件变分自编码器(conditional variational autoencoder,cvae)是一种深度学习模型,通常用于生成模型。在行人轨迹预测任务中,cvae可以用于生成与特定条件相关的行人轨迹,这一条件通常是行人的目的地、行为意图或其他上下文信息。因此本研究使用此模型来捕捉时空关系,使用cvae来学习生成轨迹中行人的目的地信息特征。
2、本文综合考虑场景中影响轨迹预测的因素,提出了一种基于transformer和终点信息的行人轨迹预测方法,该方法首先利用cvae网络训练学习行人历史轨迹和终点信息,在轨迹预测中,采样可能的潜在未来端点,然后将其与对历史轨迹的编码联合起来输入解码器,来得到对终点信息的预测。然后利用temporaltransformer提取时间依赖项,利用spatial transformer捕捉行人之间的交互,再通过一个全连接层得到行人时空信息,再利用一个spatial transformer和temporaltransformer对空间交互进行建模及增强空间嵌入性。最后将学习的行人历史轨迹信息特征,轨迹运动之间的时空交互特征和轨迹运动的目标终点信息特征相连接,输入解码器中得到最终的轨迹预测结果。本文所提出的模型充分考虑了轨迹数据中行人交互在时间和空间上的联系以及终点信息在轨迹预测中的影响,可以有效提高轨迹预测的精度,通过与经典的深度学习方法和当前最新方法进行对比实验,验证了本文所提出模型的有效性。
3、为了达到上述的目的,本专利技术提供如下技术方案:
4、一种基于transformer和终点信息的行人轨迹预测方法,该方法包括以下步骤:
5、步骤1)将所用的数据进行预处理;
6、步骤2)采用条件变分自编码器网络生成轨迹终点信息特征。
7、步骤3)采用temporal transformer和spatial transformer提取时空信息并融合。
8、步骤4)将融合后的信息spatial transformer和temporal transformer对空间交互进行建模及增强空间嵌入性。
9、步骤5)将融合后的信息通过解码器输出预测轨迹
10、进一步,所述步骤1)具体为包括以下步骤:
11、步骤11)原始数据集是从真实场景中收集的行人历史运动轨迹点,需要对数据集进行预处理操作,在实验时候我们采用前8帧的轨迹点作为观测历史轨迹,预测后12帧的行人历史轨迹,所以在预处理时,需要将不足20帧和大于20帧的数据过滤掉,只保留20帧的数据。
12、步骤12)为了更好的学习历史轨迹特征,将每个时刻的数据处理为当前时刻相对于前一时刻的相对位置,计算相对位置公式为:
13、
14、
15、式中和为在第i个行人在t时刻的相对横纵坐标位置,和为在第i个行人在t时刻的横纵坐标位置,和为第i个行人在t-1时刻的横纵坐标位置。
16、进一步,所述步骤2)具体为包括以下步骤:
17、步骤21)采用条件变分自编码器网络生成轨迹终点信息特征。条件变分自编码器由一个编码器一个解码器组成,编码器学习历史轨迹和相应轨迹终点的概率分布。在轨迹预测中,采样可能的潜在未来端点,然后将其与对历史轨迹的编码联合起来输入解码器,来得到对终点信息的预测。在进行编码器步骤之前,先对第一步预处理后的数据进行特征编码,对历史轨迹中前8帧的数据和终点轨迹信息第20帧的数据通过多层感知机(mlp)进行编码,将得到的历史轨迹特征和轨迹终点信息特征拼接起来输入cvae网络中的编码器中,编码器学习特征潜空间分布并得到参数(μ,σ),该参数用于产生编码器的潜在变量z=n(μ,σ)。然后,我们从n(μ本文档来自技高网...
【技术保护点】
1.基于Transformer和终点信息的行人轨迹预测方法,该方法包括以下步骤:
2.根据权利要求1所述的基于Transformer和终点信息的行人轨迹预测方法,其特征在于:所述步骤S1中,生成轨迹终点信息包括以下步骤:
3.根据权利要求1所述的基于Transformer和终点信息的行人轨迹预测方法,其特征在于:所述步骤S2中,通过Transformer提取时空交互特征信息包括以下步骤:
4.根据权利要求1所述的基于Transformer和终点信息的行人轨迹预测方法,其特征在于:所述步骤S3中,将融合特征经过解码器全连接层FC进行轨迹预测。包括以下步骤:
【技术特征摘要】
1.基于transformer和终点信息的行人轨迹预测方法,该方法包括以下步骤:
2.根据权利要求1所述的基于transformer和终点信息的行人轨迹预测方法,其特征在于:所述步骤s1中,生成轨迹终点信息包括以下步骤:
3.根据权利要求1所述的基于transformer和...
【专利技术属性】
技术研发人员:熊炫睿,刘梦茹,彭巍,李俊锋,沈涵,黄琪,
申请(专利权)人:重庆邮电大学,
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。