一种行人轨迹预测方法及车辆的自动驾驶方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115923840A(43)申请公布日2023.04.07(21)申请号202211632684.8(22)申请日2022.12.19(71)申请人昭通亮风台信息科技有限公司地址657100云南省昭通市昭阳区迎宾大道御峰云府13幢2楼(72)发明人艾如飞王迅陈颖安郑大钊石陶元(74)专利代理机构上海雍灏知识产权代理事务所(普通合伙)31368专利代理师沈汶波(51)Int.Cl.B60W60/00(2020.01)权利要求书1页说明书4页附图1页(54)发明名称一种行人轨迹预测方法及车辆的自动驾驶方法(57)摘要本发明提供了一种行人轨迹预测方法及车辆的自动驾驶方法，首先从N个行人的图结构轨迹出发，利用分组分配模块估计分组信息，然后通过屏蔽无关节点和执行行人组池生成组内或组间交互图。权重共享轨迹预测模型采用三种类型的图，并捕捉群体感知的社会互动。然后应用群体池算子从群体特征中编码智能体特征，然后输入群体集成模块估计未来轨迹预测的概率分布。CN115923840ACN115923840A权利要求书1/1页1.一种行人轨迹预测方法，其特征在于，包括如下步骤：获取行人图，所述行人图gped＝(vped,εped)指一组行人结点vped＝{Xn|n∈[1,...N]}及其成对社会相互作用gped＝{ei,j|i,j∈[1,...,N]}上的边；依据所述行人图通过组索引将每个行人分配到最可能的行为组中，以获取行人分组信息；通过直通组反向传播过程依据所述行人分组信息将所述行人图转换为组内和组间交互图；通过与基线轨迹预测器的权重共享，从输入行人图和分离的交互中强制实现层次表示；通过具有池层的U‑NET网络结构从群体特征中编码智能体特征，通过U‑NET中的池层减少节点数量，以获得更高层次的分组特征；并通过解池操作恢复所述智能体特征，从而获取群体集成模块，通过所述群体集成模块得到社会可接受的未来轨迹的概率图；所述智能体包括行人，所述智能体特征包括行人轨迹。2.根据权利要求1所述的行人轨迹预测方法，其特征在于，所述组索引包括：通过行人的社会互动来估计行人所属的分组信息。3.根据权利要求2所述的行人轨迹预测方法，其特征在于，所述通过行人的社会互动来估计行人所属的分组信息包括：获取每个行人的历史轨迹；基于所述历史轨迹的距离来度量所有行人对之间的特征相似性；并将相似性最高的两个行人定义为成对行人；则行人与若干个该行人的成对行人为同一组行人。4.根据权利要求3所述的行人轨迹预测方法，其特征在于，将所述成对行人的历史轨迹的距离矩阵D定义为：Di,j＝||Fφ(Xi)‑Fφ(Xj)||fori,j∈[1,...,N]；γ＝{pair(i,j)|i,j∈[1,...,N],i≠j,Di,j≤π}；其中，Fφ是可学习卷积层，π是可学习阈值参数。5.根据权利要求4所述的行人轨迹预测方法，其特征在于，所述组索引集G为：G＝Gk|Gk＝U(i,j)∈γ{i,j},Ga∩Gb＝φfora≠b；其中，Gk表示第k群，是每个对集(i,j)的并集。6.根据权利要求1所述的行人轨迹预测方法，其特征在于，所述通过直通组反向传播过程依据所述行人分组信息将所述行人图转换为组内和组间交互图还包括：通过屏蔽所述行人图的边缘为不相关联的组成员，进行组池和解池操作，将具有多个成员的组表示为一个图节点。7.根据权利要求1所述的行人轨迹预测方法，其特征在于，所述行人的历史轨迹n∈[1,...,N]可以表示为Xn,其中是特定时间t下行人n的二维坐标。8.一种车辆的自动驾驶方法，其特征在于，采用上述权利要求1‑7任一所述的行人轨迹预测方法对行人轨迹进行预测，从而通过规避行人来对驾驶路线进行规划。2CN115923840A说明书1/4页一种行人轨迹预测方法及车辆的自动驾驶方法技术领域[0001]本发明涉及行人轨迹预测技术领域，尤其涉及一种行人轨迹预测方法及车辆的自动驾驶方法。背景技术[0002]行人作为交通场景中的主要参与者，对其未来运动轨迹的合理推理和预测对于自动驾驶和道路安全至关重要。在交通场景中，行人的运动轨迹不仅会受到本身意图的影响，还会受到周围行人、车辆的影响。行人轨迹预测对于计算机视觉和机器人产业同样是至关重要的。行人轨迹预测是具有挑战性的，因为：人与人之间的交互是多模态的，并且很难捕捉，举例来说陌生人会尽量避免与他人的亲密接触，而同伴则倾向于成群结队地行走；(2)复杂的时间预测和人与人之间的空间交互。[0003]现有技术的行人轨迹预测的开创性工作通过将额外的手工术语分配为能量潜力来模拟群体运动。目前的主流工作为通过卷积神经网络(CNN)和图神经网络(GNN)进行建模社交互动。尽管如此，行人轨迹预测仍然是一个具有挑战性的问题，因