[发明专利]一种基于对抗生成网络的路侧端行人轨迹预测算法

说明书

本发明涉及本发明提出一种基于对抗生成网络的路侧端行人轨迹生成算法，利用社会注意力机制和行人轨迹潜变量生成多模式预测轨迹；通过轨迹生成器和判别器的对抗生成训练，不断优化生成器和判别器的能力，提高生成器生成轨迹的精确度；提出了基于头部朝向的社会注意力机制，通过行人最后速度方向得到行人头部朝向，并根据头部朝向信息计算出行人之间夹角的余弦值，软注意力和硬注意力机制利用计算出的角度信息优化社会注意力机制输出，并通过最大池化层汇聚输出；提出了一种新的潜变量生成方法，用两个前馈神经网络分别从行人历史轨迹和观测轨迹中学习潜变量，潜变量生成器的输入包括位置、速度、加速度，从这三种输入中分别生成三类潜变量的分布。

技术领域

本发明涉及自动驾驶技术领域，尤其是涉及行人轨迹预测，本发明提供一种基于对抗生成网络的路侧端行人轨迹预测算法。

背景技术

随着机器人自动导航、汽车自动驾驶技术的不断发展，无人驾驶技术得到了广泛的关注，具有光明的应用前景；无人车可以给人们的生活带来便利，但是，无人车在行驶中需要监测道路上行人的运动轨迹，预测行人未来的运动轨迹，从而避免和行人发生碰撞；为了更好地预测行人的运动轨迹，无人车需要对已经观测到的行人轨迹数据进行处理，从中学到行人运动的规律，并据此预测行人接下来的运动状态；准确预测行人运动轨迹的挑战来自于人类行为的复杂性及其自身意图和外部刺激的多样性；行人运动行为可能是由自身的目标意图、周围物体之间存在的动作交互、社会关系、社会规则和规范，或其拓扑结构、几何结构和语义环境所驱动的，其中大多数因素不是直接可见的，需要从复杂的运动规律中推断出来，或者从上下文信息中建模；如何让无人车学到这种潜在的运动规律是准确预测行人轨迹的关键；

由于行人的行为具有随机性，无论是机器或者人类，都无法完全准确地预测行人的未来轨迹；行人的轨迹受周围环境如人与人，人与物的影响，这种影响是潜在的不易描述的；但是，行人未来的轨迹总是受到行人前方人和物运动的影响，利用这一常识有利于模拟行人的社会互动行为，从而更好地预测行人未来的运动轨迹；

行人的运动模式是复杂多样的，复杂的行人运动很难用一个动力学模型来描述，对机动目标的一般运动进行建模的一种常用方法是定义和融合不同的典型运动模式，每种模式由不同的动态状态描述；模式可以是线性运动、转弯机动或突然加速，随着时间的推移，形成能够描述复杂运动行为的序列；在行人轨迹预测中行人运动模式的多样性也必须被考虑；

发明内容

本发明要解决的技术问题是：为了克服现有技术中行人的运动模式是复杂多样的，复杂的行人运动很难用一个动力学模型来描述的问题，提供一种基于对抗生成网络的路侧端行人轨迹预测算法。

本发明解决其技术问题所采用的技术方案是：一种基于对抗生成网络的路侧端行人轨迹预测算法，包括如下步骤：

S10：使用编码器编码输入轨迹；

S20：利用行人头部朝向计算行人社会注意力；

S30：应用潜在变量预测器来生成可预测的潜在变量分布；

S40：生成预测的行人未来轨迹；

S50：使用判别器来优化生成器生成的行人轨迹；

所述步骤S30包括如下步骤：

S31：设计潜变量预测器；

S32：使用潜变量预测器预测行人潜在的变量分布。

进一步的，在步骤S31中：潜变量预测器由两个前馈神经网络组成定义如下：

其中Ψ(·)和是前馈神经网络，和分别是这两个前馈神经网络的参数，和是潜变量预测器第k类输入。