基于渐进式细化策略的行人轨迹预测方法、装置及设备制造方法及图纸

本发明专利技术涉及行人轨迹预测领域，具体涉及一种基于渐进式细化策略的行人轨迹预测方法、装置及设备。预测方法包括：利用训练好的预测模型，对当前历史轨迹进行预测，输出未来预测轨迹；其中，训练好的预测模型为通过训练数据集训练搭建的模型得到的，训练数据集包括多组轨迹数据，每组轨迹数据包括历史轨迹X和未来真实轨迹Y；模型包括运动模式聚类块、自适应运动模式细化块、嵌入拼接块、Transformer编码器、Transformer解码器、轨迹细化块和分类器。本发明专利技术通过两个细化块逐步细化运动模式和预测轨迹，增强模型对不同场景的适应性并改进复杂运动的预测。

【技术实现步骤摘要】

本专利技术涉及行人轨迹预测领域，具体涉及一种基于渐进式细化策略的行人轨迹预测方法、装置及设备。

技术介绍

1、行人轨迹预测是根据行人的历史轨迹来预测行人未来的运动，深度神经网络以其强大的数据特征表达能力，在图像分类、物体检测、语义分割等众多视觉识别任务中取得了显著突破。这一成功归功于深度神经网络通过大量模型参数学习任务模式的能力，但这需要大量标注数据进行模型训练。在传统视觉识别任务中，人们会人为调整标注数据的类别分布，使得不同类别的样本数量保持均衡，即没有明显的样本数量差异。

2、然而，在实际应用中，自然采集的数据类别通常呈现出长尾分布，即少数类别拥有大量样本，而大多数类别只有很少的样本量。这种类别不平衡问题给深度神经网络的训练带来了困难。在长尾数据下训练的模型容易偏向训练数据中的多数类别，因为多数类别的特征空间通常大于少数类别的特征空间，而分类决策边界会向少数类别方向偏移，以确保更好地分类多数类别。这种现象常导致深度模型在数据量有限的少数类别上表现不佳，直接使用经验风险最小化方法来训练深度模型无法有效处理实际应用中的长尾类别不平衡问题。...

【技术保护点】

1.一种基于渐进式细化策略的行人轨迹预测方法，其特征在于，

2.根据权利要求1所述的基于渐进式细化策略的行人轨迹预测方法，其特征在于，

3.根据权利要求1所述的基于渐进式细化策略的行人轨迹预测方法，其特征在于，

4.根据权利要求1所述的基于渐进式细化策略的行人轨迹预测方法，其特征在于，

5.一种基于渐进式细化策略的行人轨迹预测装置，其特征在于，

6.一种设备，其特征在于，

7.一种可读存储介质，其上存储有计算机程序，其特征在于，

【技术特征摘要】

1.一种基于渐进式细化策略的行人轨迹预测方法，其特征在于，

2.根据权利要求1所述的基于渐进式细化策略的行人轨迹预测方法，其特征在于，

3.根据权利要求1所述的基于渐进式细化策略的行人轨迹预测方法，其特征在于，

4....

【专利技术属性】
技术研发人员：杨彪，房磊，严凯，倪蓉蓉，陈阳，王睿，
申请(专利权)人：常州大学，
类型：发明
国别省市：