[发明专利]基于场景状态迭代的门循环单元网络行人轨迹预测方法

权利要求书

1.一种基于场景状态迭代的门循环单元网络行人轨迹预测方法，其特征在于由以下步骤组成：

(1)数据预处理

从公开数据集ETH和数据集UCY中提取行人轨迹数据，包含5个子数据集及行人的非线性轨迹，其中每一个行人i在时间t的二维坐标从数据集ETH和数据集UCY中提取，记作所有行人坐标数据经过坐标规范化和数据增强方法进行处理；

(2)提取场景状态

1)分别将视频时刻t中每一个行人i用一个单独的门循环单元网络进行编码，在时刻t中所有的行人i用相同的方法进行编码，行人i的当前位置信息和门循环单元网络的隐含层状态输入到门循环单元网络，采用张量按式(1)确定行人i在时刻t的位置信息：

其中φ(·)是含偏置ReLU非线性函数，W_e是该函数的权重矩阵，b_e是该函数的偏置矩阵；

2)按式(2)确定行人i在t时刻的隐含层状态：

其中，是行人i在门循环单元网络在时刻t-1的隐含层状态，W_G是门循环单元网络输入的内部权重矩阵，b_G是门循环单元网络输入的内部偏置矩阵；

3)按式(3)确定场景中行人之间的空间相对位置关系

其中φ_l是ReLU非线性函数，W_l是该函数的权重，和分别表示在时刻t行人i和行人j的空间坐标，i和j为有限的正整数，i≠j；

4)按式(4)、(5)确定行人之间关系的特征矩阵

其中σ_F是含偏置Sigmoid非线性函数，W_F是该函数的权重矩阵，b_F是该函数的偏置矩阵；

5)按式(6)确定场景中行人的注意力

其中W_α是Softmax函数的权重矩阵；

(3)迭代场景状态

按式(7)、(8)对式(2)获取的行人隐含层状态进行迭代，得更新后的状态

其中，*表示Hadamard积，N是场景内出现的所有行人个数、为有限的正整数，W_h为系数矩阵，z表示门循环单元中的更新门，σ_z是该门中Sigmoid非线性函数，W_z是该函数的权重矩阵，b_z是该函数的偏置矩阵；

(4)构建预测模型

按照式(9)确定行人i在时刻t+1的预测坐标

其中W表示已完全学习的参数矩阵；

结合数据集ETH和数据集UCY提供的坐标序列，以时刻t_ob为观察起始时刻，以时刻t_s为观察结束时刻，确定一个完整的观察步长周期P：

P＝t_s-t_ob                 (10)

将步长周期P内场景状态中所有的信息传递到门循环单元网络，并采用迭代场景状态步骤(3)和式(9)预测出时刻t_s+1的行人坐标，以时刻t_ob+1作为观测起始时刻，以时刻t_s+1作为观察结束时刻，通过该方法预测出时刻t_s+2的行人坐标，继续采用该方法预测，直到预测出时刻t_s+t_pred的行人坐标，构建成预测模型；

(5)行人轨迹预测

对数据集ETH和数据集UCY使用留一法对预测模型进行反复训练，最小化均方误差MSE，按式(11)确定预测轨迹与真实轨迹的均方误差MSE：

得到最佳的训练模型参数，将最佳的训练模型参数应用到训练模型中，输入需要进行预测的坐标数据，预测出行人轨迹。

2.根据权利要求1所述的基于场景状态迭代的门循环单元网络行人轨迹预测方法，其特征在于在数据预处理步骤(1)中，所述的坐标规范化方法为：在观测时间长度内，以行人i的初始坐标为原点；所述的数据增强方法为：将对应帧视频图像进行随机旋转。

3.根据权利要求1所述的基于场景状态迭代的门循环单元网络行人轨迹预测方法，其特征在于：在构建预测模型步骤(4)中，所述的观察步长周期P的取值范围为：P∈[5，10]；所述的t_pred的取值范围为：t_pred∈[8，12]。