【技术实现步骤摘要】
本专利技术涉及智能驾驶领域，更具体的涉及一种基于多模态数据融合的行人轨迹预测方法。
技术介绍
1、电动汽车和自动驾驶技术的迅速发展使得社会对交通安全和效率的需求不断增加。在这一背景下，对于行驶过程中的行人运动轨迹进行预测显得更加重要。轨迹预测算法通过第一视角实时监测前方行驶的道路情况，结合高精度的传感器与深度学习算法，有效识别行人、障碍物和其他车辆，并及时预测轨迹，从而提高自动驾驶系统的安全性和可靠性，推动智能交通的实现。通过这种技术，能够更好地规避道路危险，帮助减少交通事故带来的人员伤亡和财产损失。
2、然而，这些系统面临的一个主要挑战是全面感知周围环境，这对精确的轨迹预测和运动规划至关重要。对于行人轨迹预测算法，在研究前期，通过行人运动的低层物理特征（行人运动的方向、速度）和简单物理交互行为模式（避障、目标吸引），尚未涉及复杂的深度学习或社交交互建模。方法多为基于规则或统计的模型。近几年从单一轨迹预测转向多模态、社交感知、环境融合的联合建模，并使用gan(生成对抗网络)和使用transformer模型等进行行人轨迹的获取...
【技术保护点】
1.一种基于多模态数据融合的行人轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述数据集包括JAAD数据集和PIE数据集。
3.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，对数据集进行预处理包括对数据集中的图像的分辨率进行处理并将数据集进行标注。
4.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述将预处理后的数据集输入至轨迹处理模块通过编码器获取行人历史轨迹的特征向量和地面真实目标的特征向量，具体包
...【技术特征摘要】
1.一种基于多模态数据融合的行人轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述数据集包括jaad数据集和pie数据集。
3.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，对数据集进行预处理包括对数据集中的图像的分辨率进行处理并将数据集进行标注。
4.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述将预处理后的数据集输入至轨迹处理模块通过编码器获取行人历史轨迹的特征向量和地面真实目标的特征向量，具体包括以下步骤：
5.根据权利要求1所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述将行人历史轨迹的特征向量和地面真实目标的特征向量输入条件生成扩散模块生成潜在变量，具体包括在条件生成扩散模块中对行人历史轨迹的特征向量和地面真实目标的特征向量结合cvae和扩散模型进行处理得到潜在变量，cvae包括识别网络和先验网络。
6.根据权利要求5所述的一种基于多模态数据融合的行人轨迹预测方法，其特征在于，所述在条件生成扩散模块中对行人历史轨迹的特征向量...
【专利技术属性】
技术研发人员：宋志强，周鹏，宋利鹏，胡凯，夏庆锋，
申请(专利权)人：无锡学院，
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。