[发明专利]对于自主驾驶有用的行人移动预测

权利要求书

1.一种用于预测在环境（180）中移动的行人的位置的预测设备（100），所述预测设备包括

- 从传感器系统（190）获得传感器信号（191）的信号接口（130），所述传感器信号至少包括环境中一个或多个行人（A；B）的位置和方位信息，

- 存储器（110），被配置成存储指示一个或多个行人的一个或多个状态的多个潜变量的概率分布，所述预测设备将行人建模为包括多个潜变量的状态，

- 处理器系统，被配置成迭代地进行

- 将多个潜变量的概率分布推进到下一时间步骤，所述推进包括应用经训练的概率交互模型（170），所述概率交互模型（170）对潜变量当中的条件独立性建模，以及

- 至少取决于从传感器信号获得的一个或多个行人的位置和方位信息来更新推进的概率分布，并配置成

- 从多个潜变量的概率分布预测行人的位置，所述行人的位置信息当前不可从传感器系统获得。

2.根据前述权利要求中任一项所述的预测设备，包括：

- 车辆信号接口（132），被配置成获得车辆信号（193），所述车辆信号至少包括环境中一个或多个车辆的位置信息，

- 经训练的概率交互模型，其至少根据从车辆信号获得的环境中一个或多个车辆的位置信息，来确定多个潜变量的推进的概率分布。

3.根据前述权利要求中任一项所述的预测设备，其中传感器信号中的方位信息包括行人的身体方位（234）和/或头部方位（232）。

4.根据前述权利要求中任一项所述的预测设备，其中至少一个潜变量是离散变量，例如二元变量，推进离散潜变量的概率分布包括向离散潜变量应用函数，所述函数取决于一个或多个经训练的参数。

5.根据权利要求4所述的预测设备，其中概率交互模型包括被配置成推进用于行人状态中的运动变量的概率分布的多个运动模型，取决于一个或多个离散潜变量来选择多个运动模型中的运动模型。

6.根据权利要求4或5中所述的预测设备，其中应用函数包括至少从离散潜变量计算特征向量，计算特征向量与经训练的参数向量之间的点积，以及向点积应用S型函数。

7.根据权利要求4-6中任一项所述的预测设备，其中行人的状态包括以下各项中的一项或多项：

- 二元情境意识变量，其指示行人是否正在注意车辆的行为，

- 二元意图变量，其指示行人意图横穿道路与否，以及

- 二元行走/停止变量，其指示行人的非零速度和零速度之间的切换。

8. 根据前述权利要求中任一项所述的预测设备，其中所述处理器系统被配置成：

- 获得环境的地图（300），所述地图包括环境内的对象（314；312），以及

- 从行人的位置相对于对象的位置来确定特征，其中从所述特征计算潜变量的推进的概率分布。

9. 一种包括根据权利要求1-8中任一项所述的设备的汽车（400），所述汽车被配置成取决于从所述设备获得的针对所述汽车周围环境中行人的位置预测来提供驾驶辅助，和/或被配置用于取决于所述位置预测进行自动驾驶。

10. 一种训练设备（700），被配置成训练概率交互模型以供在用于预测环境中移动的行人的位置的预测设备中使用，所述训练设备包括

- 训练接口（730），用于访问以下各项

- 环境中一个或多个行人的并发位置和方位轨迹的集合（790），

- 存储器（710），被配置成存储指示一个或多个行人的一个或多个状态的多个潜变量的概率分布，行人被建模为包括多个潜变量的状态，

- 处理器系统，被配置成迭代地进行

- 将多个潜变量的概率分布推进到下一时间步骤，所述推进包括应用概率交互模型，所述概率交互模型对潜变量当中的条件独立性建模，

- 至少取决于一个或多个行人的位置和方位信息来更新推进的概率分布，并

- 优化概率交互模型的参数。