[发明专利]对于自主驾驶有用的行人移动预测

说明书

一些实施例涉及用于预测在环境（180）中移动的行人的位置的预测设备（100）。预测设备可以具有存储器（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。预测设备可以被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获得。

技术领域

本发明涉及预测设备、汽车、训练设备、计算机实现的预测方法、计算机实现的训练方法以及计算机可读介质。

背景技术

在许多机器控制领域中，极为重要的是预测环境的将来状态，使得机器控制可以安全地适应它。尤其是，预测行人的移动对于控制像计算机控制的机器（例如，机器人或车辆）那样的物理系统而言是重要的，以便确保在操作时该机器与可能挡其道的行人安全交互，例如不撞到他们。

行人移动预测的其他应用是驾驶辅助。例如，如果有行人准备不安全地横穿道路，可以警告车辆（例如，汽车）驾驶员。在这样的情况中，可以通过合适的反馈信号（例如，声音、灯光、显示器上的警告等）来警告驾驶员。

诸如（Pellegrini等，2009）或（Luber等，2010）的现有系统是不令人满意的。例如，这些方案在交互建模时忽略了传感器数据和代理行为固有的不确定性，因此仅仅考虑了非常有限的假设来做出推断和预测。此外，存在对增加的准确性的期望。

参考以下文献：

Pellegrini, Stefano, et al.“You'll never walk alone: Modeling socialbehavior for multi-target tracking.”Computer Vision, 2009 IEEE 12thInternational Conference on.IEEE, 2009, 和

Luber, Matthias, et al.“People tracking with human motion predictionsfrom social forces.”Robotics and Automation (ICRA), 2010 IEEE InternationalConference on.IEEE, 2010。

发明内容

根据本发明的各方面，提供了如权利要求1中所限定的用于预测在环境中移动的行人位置的预测设备、如权利要求10中所限定的训练设备、如权利要求11中所限定的预测方法以及如权利要求12中所限定的训练方法。此外，根据本发明另外的方面，提供了如权利要求13和14中所限定的计算机可读介质，包括用于执行计算机实现的方法的指令，并且计算机可读介质包括表示概率交互模型的数据。

根据这些方面中一个或多个方面的实施例涉及将行人建模为包括多个潜变量的状态。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可以存储在存储器中。通过操控概率分布，可以例如通过使状态推进来获得关于状态的可能将来值的信息。例如，可以从当前没有位置信息可用的行人位置的状态、例如行人的将来位置的状态或者行人在他或她被遮挡在传感器之外时的位置的状态提取预测。概率分布也可以被更新以使它们与例如通过一个或多个传感器观察到的现实更对准。

在实施例中，获取用于行人仿真的完全概率交互模型，所述完全概率交互模型依赖于多个行人的联合潜空间表示，并且所述完全概率交互模型因此允许量化和传播与多代理系统的真实状态相关的不确定性。