[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

说明书

本发明公开了一种基于注意力机制的生成式对抗轨迹预测方法，该方法设计了一种基于注意力机制的生成式对抗网络，并使用改进的损失函数来对生成式对抗网络进行训练。该方法首先利用基于长短时记忆网络LSTM构成的编码器模块从行人轨迹中提取行人运动的隐藏特征，然后利用一个基于注意力机制的池化模块对同一场景中的行人进行影响力权重分配以充分提取行人之间的交互信息，最后通过一个解码器模块输出网络预测的行人轨迹坐标。本发明提出的方法可以提高轨迹的预测精度，同时可以生成多条遵循社会规范的预测轨迹，其可以用于移动机器人的导航规划系统中，从而有助于机器人导航系统在与人共融的环境中规划更加合理有效的路径。

技术领域

本发明涉及人工智能领域，特别是涉及到一种基于注意力机制的生成式对抗轨迹预测方法。

背景技术

行人轨迹预测是指根据行人过往一段时间的运动轨迹来预测其未来一段时间的运动轨迹。随着移动服务机器人与自动驾驶等领域的兴起，在动态场景中进行行人轨迹预测成为了一个热门的研究方向。行人轨迹的正确预测有助于智能导航系统规划出更加合理有效的路径。然而行人轨迹预测问题是极其复杂的，行人的运动具有一定的随机性，其在决策的过程中也是比较主观灵活的，因而行人轨迹具有多样性的特征。其次，行人在行走的过程中，行人的轨迹受到周围动态环境的影响，行人通常会根据自己的常识以及社会规范来调整自己的路径。上述特征使得行人轨迹预测问题充满挑战性。

在行人轨迹预测问题中，如何对行人之间的交互进行有效的建模对于行人轨迹预测非常重要。目前主流的方法大都基于深度学习技术来学习行人之间的交互作用，从而对行人轨迹进行预测。其中，基于长短时记忆网络LSTM的方法已经被证明在处理时序问题时非常奏效，但是基于LSTM的方法无法对行人之间的空间关系进行有效建模。为了解决这一问题，Alahi等在LSTM网络模型的基础上提出了社会长短期记忆网络(S-LSTM)，该模型通过对空间进行网格化处理，并根据网格对每个行人周围行人的不同特征进行隐藏池化，利用池化的结果预测出多条符合社会规范的轨迹(见“Social lstm:Human trajectoryprediction in crowded spaces，CVPR 2016”)。由于该方法仅仅只能建模目标行人局部区域内的行人交互作用，无法高效模拟场景中所有行人的交互。Gupta等将生成式对抗网络引入到行人轨迹预测问题当中，提出了社会对抗网络模型，通过对生成器与判别器进行反向训练以及一个池化模块提取场景中所有行人的交互信息，生成了多种符合社会规范的轨迹，并且提升了预测精度(见“Social GAN:Socially acceptable trajectories withgenerative adversarial networks，CVPR 2018”)。但是该方法在提取行人之间的交互信息时仅仅考虑了行人之间的空间位置关系，忽略了周围行人运动方向、速度等因素对目标行人未来轨迹的影响，因而无法对行人之间的交互信息进行充分提取。此外，基于生成式对抗网络的方法在网络训练过程中极易出现生成器与判别器强弱不均衡的现象，从而导致梯度消失难以训练的问题。

针对以上问题，广东工业大学申请了专利号为202010110743.X，专利名称为一种基于长短期记忆的行人轨迹预测方法，该发明公开了一种基于长短期记忆的行人轨迹预测方法，主要包括以下步骤：对数据进行预处理，转换为一个[行人数量，4]的矩阵；引入注意力机制选择对当前行人行走时的方向、速度等指标产生影响的信息，并通过全连接层连接所有当前位置信息；将同一场景下全局行人的历史状态隐藏信息输入池化层进行池化，达到“共享”全局隐藏信息的目的；通过长短期记忆单元将当前状态下所有行人的历史状态隐藏信息的池化张量，当前行人的位置信息以及经注意力机制所选择的对行人产生影响的信息，转化为长短期记忆序列信息；将当前的状态信息通过一个多层感知机结构转化到坐标空间，生成预测轨迹序列：

该专利仍然存在如下缺陷：