【技术实现步骤摘要】
本专利技术涉及行人轨迹预测的自动驾驶领域，特别是涉及一种基于gcn的交互建模的行人轨迹预测方法。
技术介绍
1、在自动驾驶领域，准确预测行人的轨迹是当前研究的热点之一，因为精准的行人轨迹预测有助于自动驾驶汽车更好地规划行驶路线，而在行人轨迹预测中，对行人空间交互进行有效建模至关重要。在行人运动过程中，考虑到行人轨迹预测通常是在复杂的场景中进行，需要对环境进行建模，包括道路结构、障碍物、行人之间的相互影响等。同时由于行人的运动具有一定的不确定性，因此在轨迹预测中需要考虑不确定性的建模和处理，以提高预测的准确性和鲁棒性。
2、在之前的研究成果中，social-lstm使用池化层学习时间轨迹依赖关系；socialgan，通过生成对抗网络(gan)模式增加轨迹的多样性，但是网络训练不稳定，容易崩溃。以这两种为主的模型可扩展性不适用于具有多个类的场景。而作为建模行人空间交互的主流方法之一，图卷积神经网络对于图形数据处理是非常有效的。现有的工作基于gcn的行人空间交互建模与真实情况之间仍有一定的差距，虽然成功地基于相对距离模拟了周围邻居的影响，但忽略不同类型道路用户之间隐式相关性对要预测的轨迹的影响，附近的行人和汽车对同一个行人的影响程度不同，因此在行人轨迹的预测会产生偏差。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供了一种基于gcn交互建模的行人轨迹预测方法，考虑了不同对象的影响程度，对不同对象设计不同的标签分类，充分利用社会属性计算社会交互的权重，以实现更好
2、本专利技术是通过以下技术手段实现上述技术目的的。
3、一种基于gcn交互建模的行人轨迹预测方法，包括如下步骤：
4、步骤1、将每个行人定义为节点，并根据行人的相对位置建立行人空间图，以捕捉行人之间的空间关系；
5、步骤2、在行人空间图中，为行人添加速度信息，构建速度邻接矩阵；
6、步骤3、在行人空间图中，将行人周围对象的类别作为标签嵌入，构建标签邻接矩阵；
7、步骤4、将速度邻接矩阵与标签邻接矩阵结合，以生成语义引导的邻接图；
8、步骤5、将邻接图输入到时空图卷积网络中，对行人轨迹的图形表示进行时空卷积运算，分别提取出时间特征、空间特征；
9、步骤6、将用时间特征、空间特征输入改进的时间外推金字塔卷积神经网络(txpcnn)，通过多层的预测特征来联合估计未来轨迹的二维高斯分布参数，进而得到行人轨迹。
10、进一步，建立行人空间图的方法为：在行人空间图中，顶点表示为每个行人，用边表示行人间的交互影响，故行人空间图gt定义为：
11、gt＝(vt,et)，
12、其中，vt是图gt中所有顶点的集合，表示为为图gt中第i个顶点，n为图gt中顶点个数；et是图gt中边的集合，表示为为gt中第i个顶点和第j个顶点之间的边，n为图gt中顶点的个数。
13、进一步，步骤2根据行人单位时间内的欧几里得距离计算速度；那么每个对象基于相对位置的速度表示为：
14、
15、其中，ut是空间图中所有行人速度的集合，表示第i个行人的速度，为第i个行人第t时间步长的x坐标，为第i个行人第t时间步长的y坐标。
16、进一步，通过设定距离阈值，若行人间的欧几里得距离大于所设定的距离阈值，则认为行人之间相距较远，并排除远距离的行人。
17、进一步，步骤3的过程为：
18、步骤3.1、对行人周围的对象设置对应的类别标签，类别标签采用图表示；
19、步骤3.2、将类别标签嵌入到标签邻接矩阵中；
20、步骤3.3、使用注意力机制从相邻对象中获取社会影响。
21、进一步，矩阵相结合的方法为：特征维度中连接两个矩阵，并将连接的矩阵传递给全连接层，得到同一场景下新的邻接图。
22、进一步，时空图卷积网络的网络结构为：将邻接图分别经过图卷积和时间卷积得到表示图特征的空间图和时间图，通过引入embedding层生成对应的空间和时间矩阵。
23、进一步，改进的时间外推金字塔卷积神经网络结构包括5个conv模块，其中，4个conv模块依次串联，位于首端的conv模块为输入端，将接收同维度的时间特征、空间特征拼接在一起后输入，所输入的时间特征、空间特征依次经过4个conv模块的卷积处理；且4个conv模块的输出经过连接后输入第五个conv模块进行卷积操作，最后输出预测特征。
24、进一步，标签邻接矩阵的构建方法为：创建一个可训练参数的邻接矩阵，将类别标签嵌入到邻接矩阵中。
25、进一步，步骤3.3获取社会影响的方法为：分析注意力机制中目标行人与周围对象的位置、速度大小及方向之间的作用；根据两个节点之间相互影响的强度得到行人社会交互权重，并通过使用监督训练类标签的嵌入，获取一类对象对另一类的影响程度。
26、与现有技术相比，本专利技术的有益效果是：
27、(1)针对最近的行人轨迹预测工作是基于相对距离模拟了周围邻居的影响，忽略了不同类型道路用户之间隐式相关性对要预测轨迹的影响问题，本方法基于行人的速度和位置信息以及不同道路使用者对行人的影响构建社会交互权重模型，可以更好地权衡不同行人之间的影响。
28、(2)由于之前的方法仅考虑将特征传送到多层的txpcnn，只考虑了简单的堆叠，不能有效地利用特征信息，因此本方法利用前一层的特征信息，将特征信息组合以联合预测双变量高斯分布的参数，可以充分利用获取的行人特征信息，为下一步的预测提奠定良好的基础。
29、(3)行人轨迹预测对于自动驾驶技术的发展和普及具有重要意义，有助于提高行车安全性、交通效率以及提升用户体验。在预测行人轨迹的有效性方面，本专利技术提出的用于行人轨迹预测的基于gcn的行人社会交互建模方法，相比于现有的基于gcn的建模方法，能够有效提升行人轨迹预测的精度。
30、(4)本专利技术通过将行人的时间和空间依赖信息传递到图卷积和时间卷积网络中，可以更好地预测个体的轨迹，从而提高行人轨迹预测的效果。相比于现有的基于gcn的行人空间交互建模方法，能够显著地提高行人轨迹预测的精度，为此提供了用于行人轨迹的基于gcn的行人空间交互建模方法。
本文档来自技高网...【技术保护点】
1.一种基于GCN交互建模的行人轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，建立行人空间图的方法为：在行人空间图中，顶点表示为每个行人，用边表示行人间的交互影响，故行人空间图Gt定义为：
3.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，步骤2根据行人单位时间内的欧几里得距离计算速度；那么每个对象基于相对位置的速度表示为：
4.根据权利要求3所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，通过设定距离阈值，若行人间的欧几里得距离大于所设定的距离阈值，则认为行人之间相距较远，并排除远距离的行人。
5.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，步骤3的过程为：
6.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，矩阵相结合的方法为：特征维度中连接两个矩阵，并将连接的矩阵传递给全连接层，得到同一场景下新的邻接图。
7.根据权利要求6所述的一种基
8.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，改进的时间外推金字塔卷积神经网络结构包括5个Conv模块，其中，4个Conv模块依次串联，位于首端的Conv模块为输入端，将接收同维度的时间特征、空间特征拼接在一起后输入，所输入的时间特征、空间特征依次经过4个Conv模块的卷积处理；且4个Conv模块的输出经过连接后输入第五个Conv模块进行卷积操作，最后输出预测特征。
9.根据权利要求1所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，标签邻接矩阵的构建方法为：创建一个可训练参数的邻接矩阵，将类别标签嵌入到邻接矩阵中。
10.根据权利要求5所述的一种基于GCN交互建模的行人轨迹预测方法，其特征在于，步骤3.3获取社会影响的方法为：分析注意力机制中目标行人与周围对象的位置、速度大小及方向之间的作用；根据两个节点之间相互影响的强度得到行人社会交互权重，并通过使用监督训练类标签的嵌入，获取一类对象对另一类的影响程度。
...【技术特征摘要】
1.一种基于gcn交互建模的行人轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，建立行人空间图的方法为：在行人空间图中，顶点表示为每个行人，用边表示行人间的交互影响，故行人空间图gt定义为：
3.根据权利要求1所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，步骤2根据行人单位时间内的欧几里得距离计算速度；那么每个对象基于相对位置的速度表示为：
4.根据权利要求3所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，通过设定距离阈值，若行人间的欧几里得距离大于所设定的距离阈值，则认为行人之间相距较远，并排除远距离的行人。
5.根据权利要求1所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，步骤3的过程为：
6.根据权利要求1所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，矩阵相结合的方法为：特征维度中连接两个矩阵，并将连接的矩阵传递给全连接层，得到同一场景下新的邻接图。
7.根据权利要求6所述的一种基于gcn交互建模的行人轨迹预测方法，其特征在于，时...
【专利技术属性】
技术研发人员：汪少华，李乐，李祎承，殷春芳，李春，刘明春，
申请(专利权)人：江苏大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。