[发明专利]一种基于注意力机制的生成式对抗轨迹预测方法

权利要求书

1.一种基于注意力机制的生成式对抗轨迹预测方法,其特征在于，包括以下步骤：

步骤1：将行人轨迹数据预处理并送入编码器进行编码处理；

步骤2：将编码后的向量送入一个基于注意力机制的池化模块进行影响力权重分配并得到池化向量；

步骤3：使用一个基于LSTM网络的解码器输出行人的预测轨迹；

步骤4：利用改进后的损失函数使用Adam算法对生成器与判别器进行对抗训练；

步骤5：将行人的观测轨迹送入训练好的网络模型的生成器中，得到预测的行人轨迹坐标。

2.根据权利要求1所述的一种基于注意力机制的生成式对抗轨迹预测方法，其特征在于：步骤1所述的对行人轨迹进行编码处理，包括：

网络接收行人的历史轨迹并通过一个单层的全连接网络作为嵌入层，将行人i在t时刻的位置变化信息转化为一个固定长度的特征向量然后将该向量送入一个LSTM网络进行编码处理，学习轨迹数据的时序特征，得到行人i在t时刻的隐藏状态

其中，f(·)是一个采用ReLU激活函数的嵌入层，W_f和W_encoder分别是嵌入层和LSTM网络的权重参数，并且LSTM网络的参数由场景中的所有行人共享。

3.根据权利要求1所述的一种基于注意力机制的生成式对抗轨迹预测方法，其特征在于：步骤2所述的通过基于注意力机制的池化模块来对同一场景中的行人进行影响力权重分配，并输出表征行人交互信息的池化向量，包括：

为了刻画行人j对目标行人i运动产生的影响，模块首先使用池化的方式获取池化向量h_ij，并将行人j的速度矢量v_j、行人i和行人j之间的距离矢量d_ij、行人i的速度矢量v_i与行人j之间的距离矢量d_ij的夹角a_ij的余弦值cosa_ij、行人i的速度矢量v_i与行人j的速度矢量v_j的夹角b_ij的余弦值cosb_ij合并为特征向量q_ij送入一个使用softmax函数作为激活函数的多层全连接网络，从而获得场景中行人j对目标行人i的注意力权重；

之后，将场景中所有其他行人相对于目标行人i的池化向量汇聚为最终的池化向量H_i，并将不同行人的注意力权重合并为权重矩阵W_{atten_i}，最后，将权重矩阵W_{atten_i}与汇聚的池化向量H_i相乘得到特征向量p_hi，并通过最大值池化的方式得到目标行人i的池化向量p_i，该池化向量表征目标行人i做出决策所需要的信息，直观上理解，通过采用注意力机制得到场景中所有人对目标行人i未来轨迹影响的权值，从而汇总出目标行人i做出决策所需要的信息p_i，从而达到行人交互建模的目的，具体的公式计算如下所示：

q_ij＝[v_j,d_ij,cosa_ij,cosb_ij]

q_i＝[q_i1,q_i2,...,q_ij,...,q_iN]

W_{atten_i}＝s(q_i；W_s)

H_i＝[h_i1,h_i2,...,h_ij,...,h_iN]

p_i＝maxpool(W_{atten_i}H_i)

其中，s(·)表示使用softmax激活函数的多层全连接网络，W_s为该网络的权重参数。