一种基于自适应社会交互力的行人意图识别方法技术

本发明专利技术公开了一种基于自适应社会交互力的行人意图识别方法，涉及自动驾驶领域，在机器学习基础上融合道路交通领域所擅长的行人行为特征挖掘与机理解析，通过挖掘场景差异、个体差异、社会交互等新因素，将行人行为模型扩展至自动驾驶新领域；基于群体过街、混合车流等社会交互复杂的场景，主动提取社会交互特征，对行人高级心理和社会属性进行深入理解，自适应表征社会交互力；运用改进的隐马尔可夫模型实现行人意图长期预测，提升行人意图识别建模的精准度，为自动驾驶车辆避障决策提供足够的时间和距离空间。够的时间和距离空间。够的时间和距离空间。

【技术实现步骤摘要】
一种基于自适应社会交互力的行人意图识别方法


[0001]本专利技术属于自动驾驶技术，具体为一种基于自适应社会交互力的行人意图识别方法。

技术介绍

[0002]目前，行人行为理解模型仍未满足高等级自动驾驶的需求，实现高智能的人车交互仍有较大难度。车辆反复急走急停、机器冻结、过分保守让行或不合理的激进现象时有发生，且在面对多人多车的复杂交互场景时尤为明显。若能准确识别行人过街意图，提前采取措施避让行人，便能保证城市交通系统更安全、高效运行。因此，行人过街意图识别的技术研究，对于城市交通系统以及自动驾驶
具有重要意义。
[0003]行人过街意图主要受人车距离、车速、减速度、碰撞时间、道路环境因素的影响。多人多车场景下，行人行为决策更是受其他车辆的阻碍以及过街群体的吸引，社会交互的存在对行人过街决策存在显著影响。此外，行人过街决策还受到行人的冒险态度、违规意愿，对自动驾驶的熟悉以及信任程度等心理潜在变量的影响。自动驾驶车辆与传统车辆的控制策略存在差异，在与自动驾驶车辆交互的过程中，行人个体属性如性别、年龄等，会影响行人对自动驾驶的态度、决策与行为，但相关研究对场景异质性的分析仍不够深入，研究结论的信效度及普适性也需要后续更多研究的验证与完善。
[0004]行人过街意图识别的模型主要有经典模型与基于数据驱动的深度学习模型：早期经典模型依据行人对人行横道的接近程度来判断行人是否过街，存在一定局限性。因为人行道上的行人可以接近人行横道，但并不一定有过街需求。随着深度学习的发展，姿态估计技术可以更好地识别行人动作与状态，进而更准确理解行人意图。Sensors论文On
‑
Board Detection of Pedestrian Intentions通过定位人体关键点，并计算关键点之间的角度、距离等，输入SVM模型里判别行人过街、等待等意图；2016 IEEE 19th International Conference on Intelligent Transportation Systems论文A Data
‑
Driven Approach for Pedestrian Intention Estimation提出使用密集神经网络对行人意图分类，建立密集LSTM网络来预测行人过街意图，精度达到95.77％。IET Intelligent Transport Systems论文Roadside Pedestrian Motion Prediction Using Bayesian Methods and Particle Filter基于行人运动状态构建动态贝叶斯网络，可以在行人过街前提前0.3
‑
0.5s或者距离理论碰撞位置15
‑
20m识别行人过街意图。另外，考虑车辆相互作用对行人意图的影响，在预测时间方面有明显的进步。
[0005]综上所述，行人过街意图识别的影响因素已有大量研究，但关于自动驾驶场景下影响行人意图的新因素研究还不透彻。且当前行人过街意图识别模型大多为短期预测，实现意图识别长期预测(＞2s)仍需更多模型与方法的更新，以期为自动驾驶车辆避障决策提供足够的时间和距离空间，此外提高长期预测的精确度也将是未来研究的重点。

技术实现思路

[0006]为了解决现有技术中的上述技术缺陷，本专利技术提出了一种基于自适应社会交互力的行人意图识别方法。
[0007]实现本专利技术目的的技术方案为：一种基于自适应社会交互力的行人意图识别方法，包括：
[0008]S1、基于开源数据集构建行人及车辆行为链、开展情境问卷调查分析自动驾驶场景与传统交通场景行人行为的差异，分别提取出自动驾驶场景与传统交通场景影响行人过街意图的内外在相关因素；
[0009]S2、根据提取到的内外在相关因素，利用递归特征消除法分别筛选出自动驾驶场景与传统交通场景影响行人过街意图的强相关因素；
[0010]S3、针对自动驾驶车辆获取的多源数据类型，进行自动化处理与挖掘识别，获取步骤S2筛选出的因素所需的数据信息；
[0011]S4、运用规则驱动自适应机制，基于MAPE
‑
K环路，构建社会交互力规则自适应算法，计算自适应表征社会交互力，所述社会交互力包括人
‑
人、人
‑
车交互力；
[0012]S5、输入环境信息、社会交互力信息，运用隐马尔可夫模型识别与预测行人过街意图。
[0013]优选地，基于开源数据集构建行人及车辆行为链、开展情境问卷调查分析自动驾驶场景与传统交通场景行人行为的差异，分别提取出自动驾驶场景与传统交通场景影响行人过街意图的内外在相关因素的具体步骤为：
[0014]S101、基各类传感器采集的数据集，分析传统交通场景人
‑
车交互过程，构建行人与传统车辆行为链；基于自动驾驶车辆采集的数据集，分析自动驾驶场景人
‑
车交互过程，构建行人与自动驾驶车辆行为链；
[0015]S102、构建行人及车辆行为链：依据视频数据集，对行人行为以及车辆行为用真实信息进行注释；通过分割行人和车辆的状态构建行人及车辆行为链；
[0016]S103、基于行人及车辆行为链，运用多序列比对算法，分别寻找行人与自动驾驶车辆、行人与传统车辆交互过程中的影响行人过街意图的外在因素；
[0017]S104、设置情境调查，分析行人对于自动驾驶技术的认知与信任程度，以及行人面对自动驾驶车辆与传统车辆态度及行为上的差异；
[0018]S105、在对问卷数据进行信效度检验后，利用因子分析，提取影响行人过街意图的内在因素。
[0019]优选地，利用递归特征消除法分别筛选自动驾驶场景与传统交通场景影响行人过街意图的强相关因素的具体方法为：
[0020]S201、数据初始化：给步骤S1获得的每一个因素指定一个权重，并设定所需保留的因素数量；
[0021]S202、利用训练好的随机森林模型对获取各因素的权重；
[0022]S203、剔除掉绝对值最小的权重所对应的因素，得到新因素集；
[0023]S204、重复S202、S203，不断循环递归，直至剩余的因素数量达到所需数量。
[0024]优选地，针对自动驾驶车辆获取的多源数据类型，进行自动化处理与挖掘识别，获取步骤S2筛选出的因素所需的数据信息的具体方法为：
[0025]S301、运用YoloX
‑
Deepsort深度学习检测跟踪算法，检测目标数据以及车速、人
‑
车距离、人
‑
人距离参数；
[0026]S302、运用DeepLab图像分割算法，获取场景语义数据以及街道宽度、行人过街距离；
[0027]S303、运用人脸属性识别算法、运用PFLD人脸及骨骼关键点，提取行人基本属性、头部及身体动作信息、运动状态。
[0028]优选地，运用规则驱动自适应机制，基于MAPE
...

【技术保护点】

【技术特征摘要】
1.一种基于自适应社会交互力的行人意图识别方法，其特征在于，包括：S1、基于开源数据集构建行人及车辆行为链、开展情境问卷调查分析自动驾驶场景与传统交通场景行人行为的差异，分别提取出自动驾驶场景与传统交通场景影响行人过街意图的内外在相关因素；S2、根据提取到的内外在相关因素，利用递归特征消除法分别筛选出自动驾驶场景与传统交通场景影响行人过街意图的强相关因素；S3、针对自动驾驶车辆获取的多源数据类型，进行自动化处理与挖掘识别，获取步骤S2筛选出的因素所需的数据信息；S4、运用规则驱动自适应机制，基于MAPE
‑
K环路，构建社会交互力规则自适应算法，计算自适应表征社会交互力，所述社会交互力包括人
‑
人、人
‑
车交互力；S5、输入环境信息、社会交互力信息，运用隐马尔可夫模型识别与预测行人过街意图。2.根据权利要求1所述的基于自适应社会交互力的行人意图识别方法，其特征在于，基于开源数据集构建行人及车辆行为链、开展情境问卷调查分析自动驾驶场景与传统交通场景行人行为的差异，分别提取出自动驾驶场景与传统交通场景影响行人过街意图的内外在相关因素的具体步骤为：S101、基各类传感器采集的数据集，分析传统交通场景人
‑
车交互过程，构建行人与传统车辆行为链；基于自动驾驶车辆采集的数据集，分析自动驾驶场景人
‑
车交互过程，构建行人与自动驾驶车辆行为链；S102、构建行人及车辆行为链：依据视频数据集，对行人行为以及车辆行为用真实信息进行注释；通过分割行人和车辆的状态构建行人及车辆行为链；S103、基于行人及车辆行为链，运用多序列比对算法，分别寻找行人与自动驾驶车辆、行人与传统车辆交互过程中的影响行人过街意图的外在因素；S104、设置情境调查，分析行人对于自动驾驶技术的认知与信任程度，以及行人面对自动驾驶车辆与传统车辆态度及行为上的差异；S105、在对问卷数据进行信效度检验后，利用因子分析，提取影响行人过街意图的内在因素。3.根据权利要求1所述的基于自适应社会交互力的行人意图识别方法，其特征在于，利用递归特征消除法分别筛选自动驾驶场景与传统交通场景影响行人过街意图的强相关因素的具体方法为：S201、数据初始化：给步骤S1获得的每一个因素指定一个权重，并设定所需保留的因素数量；S202、利用训练好的随机森林模型对获取各因素的权重；S203、剔除掉绝对值最小的权重所对应的因素，得到新因素集；S204、重复S202、S203，不断循环递归，直至剩余的因素数量达到所需数量。4.根据权利要求1所述的基于自适应社会交互力的行人意图识别方法，其特征在于，针对自动驾驶车辆获取的多源数据类型，进行自动化处理与挖掘识别，获取步骤S2筛选出的因素所需的数据信息的具体方法为：S301、运用YoloX
‑
Deepsort深度学习检测跟踪算法，检测目标数据以及车速、人
‑
车距离、人
‑
人距离参数；
S302、运用DeepLab图像分割算法，获取场景语义数据以及街道宽度、行人过街距离；S303、运用人脸属性识别算法、运用PFLD人脸及骨骼关键点，提取行人基本属性、头部及身体动作信息、运动状态。5.根据权利要求1所述的基于自适应社会交互力的行人意图识别方法，其特征在于，运用规则驱动自适应机制，基于MAPE
‑
K环路，构建社会交互力规则自适应算法，计算自适应表征社会交互力的具体方法为：S401、表征人
‑
人交互力：通过来自其他行人的吸引力大小，表征行人期望跟随前方人群行走的心理强度以及过街行人群体对行人产生的交互作用，表示为：其中：x1，x2，
…
，x
n
表示影响人
‑
人交互力的运动学参数，a1，a2，
…
，a
n
及b1，b2，
…
，b
n
为自适应参数；S402、建立人
‑
人交互力自适应机制：人
‑
...

【专利技术属性】
技术研发人员：周竹萍，刘洋，欧阳墨蓝，汤睿尧，刘博闻，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：