[发明专利]一种基于深度学习的行人轨迹预测方法和系统

说明书

本发明公开了一种基于深度学习的行人轨迹预测方法和系统，包括以下步骤，采集模块采集复杂环境下行人和车辆数据；转换模块将采集来的数据转换为统一以摄像设备为基础的坐标系；行人数据标签和车辆数据标签分开命名利用区分模块区分；所述数据输入深度学习算法模型进行训练，当观测结果达到收敛效果时训练结束。本发明的有益效果：一是行人与行人间、行人与车辆和车辆与车辆间的相互关系，包括交通信息，这种综合信息能够提高行人轨迹预测的精度，最大程度的模拟行人在真实场景下所考虑的因素来预测轨迹。

技术领域

本发明涉及行人轨迹预测的技术领域，尤其涉及一种基于深度学习的复杂环境下行人轨迹预测方法和行人轨迹预测系统。

背景技术

近年来随着人工智能产业的兴起，无人驾驶领域也在不断发展，其中行人检测得到广泛关注，近年来国内外学者对行人预测也展开了研究，但在无人驾驶系统中研究较少，行人预测是通过目标已有的运动轨迹对其未来固定时刻的位置坐标进行预测。

无人驾驶领域内，行人轨迹预测是至关重要的。如果没有预测，无人车不知下一阶段如何进行驾驶操作，以至于无人车会非常的不安全。例如：无人车右前方有一个行人，下一阶段车辆是应该刹车、减速、或者变道呢，如果不加预测，任何一种操作都有可能导致驾驶感觉非常不好，或者产生危险的操作。在以往轨迹预测领域，要么是基于车辆动力学模型，或者是基于行人之间的交互，对于复杂情况下(十字路口等人多、车多的情况下)效果非常不理想。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：提出一种基于深度学习的复杂环境下行人轨迹预测方法，解决在复杂场景下行人轨迹无法预测或者预测效果非常不好的问题。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的行人轨迹预测方法，包括以下步骤，采集模块采集复杂环境下行人和车辆数据；转换模块将采集来的数据转换为统一以摄像设备为基础的坐标系；行人数据标签和车辆数据标签分开命名利用区分模块区分；所述数据输入深度学习算法模型进行训练，当观测结果达到收敛效果时训练结束。

作为本发明所述的基于深度学习的行人轨迹预测方法的一种优选方案，其中：所述采集模块使用摄像设备采集人脸图像包括以下环境要求，摄像设备位置要足够的高，要求清晰的看到场景内的所有行人和车辆，所述摄像头的角度垂直地面；在行驶的车辆上部署摄像头，车辆配备激光雷达高精度测距仪器。

作为本发明所述的基于深度学习的行人轨迹预测方法的一种优选方案，其中：所述区分模块还包括对数据进行处理，把行人、车辆和车辆周围环境的目标进行打标签。

作为本发明所述的基于深度学习的行人轨迹预测方法的一种优选方案，其中：所述深度学习算法模型包括考虑到行人与车辆、车辆与车辆间的相互关系进行行人轨迹预测的参考，以及参考交通信号标识，综合考虑路上交通信息，进行策略判断。

作为本发明所述的基于深度学习的行人轨迹预测方法的一种优选方案，其中：所述深度学习算法模型包括以下训练步骤，利用深度卷积神经网络结构将行人历史轨迹、车辆历史轨迹数据送入深度神经网络模型算法；定义算法模型为：

通过编解码深度神经网络和鉴别网络，结合真实轨迹值计算网络输出；反复执行，直到输出结果比较满意。