[发明专利]基于自定中心星状图和注意力机制预测行人轨迹的方法

说明书

本发明公开了一种基于自定中心星状图和注意力机制预测行人轨迹的方法，首先，目标行人及其邻近行人的历史轨迹分别由时间和空间编码器进行编码；然后将隐藏状态输入到注意力机制中，以模拟目标行人的注意力；最后，注意力权重的加和通过自定中心星状图解码器传递，一次输出一个预测位置；同时，相邻的隐藏状态将在星状图中连续解码，从而连续计算目标行人每个未来时刻的注意力。本发明利用自定中心星状图和多头注意力机制，并结合到时空编码信息中，很好地解决了现有技术预测行人轨迹精确度低及需要花费较多计算能力的问题。

技术领域

本发明涉及行人轨迹预测技术领域，具体涉及的是一种基于自定中心星状图和注意力机制预测行人轨迹的方法。

背景技术

在行人轨迹预测问题中，因为行人的行走方式往往受到多种因素的影响，例如：在不拥挤的道路里往往基于自己的行走习惯行走，而在拥挤的道路里则因为受到其他行人或静态障碍物的影响会改变行走方式。因此，如何让机器学习行人的历史轨迹，并且从行人与环境的交互中提取特征进而预测行人走路的轨迹成为了一个难题。

目前，预测行走轨迹的方式可以分为四类，分别为：基于规则的方法、基于网格的方法、基于注意力的方法和基于时空图的方法。

基于规则的方法：Social Force是一种基于规则的方法来预测行人轨迹。它将行人之间的交互归结为两种作用力：吸引力和排斥力。基于两个行人的一些基本信息来计算这两种力，进而预测出行人轨迹。但是这种方法很难考虑周全所有的情况。同时，这种方法也不具有延展性，当数据集有较大变化(例如环境发生较大的变化)时，它很难做出精确的预测，因此无法很好地推广到现代数据集。

基于网格的方法：Social LSTM是一项开拓性的工作，它使用RNN模型进行预测，并且还利用基于网格的池化层来聚合多个交互。它还有很多类似的工作，例如卷积池化层和Social GAN。但是，基于网格的测量效率不高。它为了包含下道路上所有的行人，需要建立巨大的网格。而很多时候网格是非常稀疏的，稀疏的网格占用了大量的存储空间，因此需要大量的计算能力并需要遍历网格才能实现测量。另外，这种方法将行人的影响按照相同的权重结合，易造成周围行人的影响因子相似，导致难以对行人的交互作出准确的衡量。

基于注意力的方法：为解决不同行人或障碍物重要性不一样的问题，Sophie在模型中加入了global attention。但是，global attention忽略了对自己历史轨迹的注意力以及其他行人的多重潜在信息。换句话说，他对其他行人的学习不够充分。

基于时空图的方法：SAPTP使用基于时空图的方法来关联时间和空间信息并获得了不错的结果。尽管如此，他们还是使用完全图来模拟人与人之间的交互，完全图连接所有人之间的交互，这将花费多余的计算能力。

发明内容

本发明的目的在于提供一种基于自定中心星状图和注意力机制预测行人轨迹的方法，主要解决现有技术存在预测的行人轨迹精确度低及需要花费较多计算能力的问题。

为实现上述目的，本发明采用的技术方案如下：

基于自定中心星状图和注意力机制预测行人轨迹的方法，包括以下步骤：

(1)将目标行人的历史轨迹作为时间信息进行编码，同时将目标行人周围的行人轨迹作为空间信息进行编码；

(2)计算目标行人对周围每一个行人编码后的向量的注意力权重，并将这些注意力权重进行加和；

(3)利用中心星状图对注意力权重的加和进行解码，生成目标行人的预测位置并输出；

(4)将前面计算的注意力权重作为隐藏特征，继续按步骤(2)的方式计算目标行人对周围每一个行人编码后的向量的注意力权重，并将所有的注意力权重进行加和；

(5)利用中心星状图对步骤(4)获得的注意力权重的加和进行解码，生成目标行人的下一预测位置并输出；