[发明专利]一种基于注意力机制的图神经网络行人轨迹预测方法

说明书

本发明公开了一种基于注意力机制的图神经网络行人轨迹预测方法，该方法主要包括：采集行人轨迹信息，提取轨迹运动特征，构建行人轨迹原始节点图；对所述行人轨迹原始节点图进行融合、舍弃和放大，生成行人轨迹最终节点图；利用时空图卷积神经网络提取行人轨迹最终节点图的时空特征，根据所述时空特征构建行人轨迹的原始时空特征图，并利用图通道注意力机制筛选出重要的时空特征组成新的时空特征图；将所述新的时空特征图输入预测器，预测器输出预测的预设时间内的行人轨迹；给所述预测的行人轨迹分配权重，以权重最大的轨迹作为最终的预测结果。该方法通过更加关注对最终结果有影响的特征将有效信息最大化，有效提高了行人轨迹预测精度。

技术领域

本发明涉及轨迹规划技术领域，具体涉及一种基于注意力机制的图神经网络行人轨迹预测方法。

背景技术

不正确的驾驶行为不仅会造成经济损失，还会严重危害自己和他人的生命安全。因此，自动驾驶技术由于其安全性和智能性具有可观的前景。行人轨迹预测是自动驾驶技术的关键问题。在自动驾驶中，行人轨迹的精准预测可以让决策机构提前规划好路径，减少堵车和事故的可能性。但是，由于行人本身行为的不确定性和与环境的复杂交互导致预测任务很难达到足够的精度。

近年来，轨迹预测也提出了很多方法：最开始的轨迹预测任务通常使用匀速线性预测器，但是该预测方法存在缺陷即只能用于预测匀速直线运行的场景。如果需要预测的行人运动轨迹很复杂，那么该方法就无法应用。后来的传统方法往往使用社会力模型，该模型代表行人的吸引力和排斥力，以此来预测行人和环境的交互行为。但是该模型依赖手工设计特征，如果环境复杂，该模型难以表达出此时隐含的交互行为。其他的一些预测方法包括马尔科夫决策过程、高斯混合模型，性能都乏善可陈。

近年随着神经网络的发展，在轨迹预测领域往往通过训练神经网络来完成轨迹预测任务。RNN及其变种LSTM、GRU由于能够进行时序特征提取，逐渐被应用于轨迹预测，并取得了较好的效果。虽然循环神经网络能够在提取欧式空间数据特征方面取得非常好的效果，但是轨迹预测任务的数据大多是非欧数据。因此循环神经网络由于缺乏高级的时空观，不能很好地处理非欧式空间的数据。而图结构能够更加直观和有效地表达行人之间的交互。图是不规则的结构，图中包含可变数量的节点，节点之间可以发生或者不发生交互关系。因此，相比于传统的神经网络，图神经网络可以捕捉到实例之间的相互关系。现在的交互技术往往多关注空间上的交互关系，忽略了时间相关性，我们可以采用时空图神经网络，更加关注时空相关性，更高效地完成轨迹预测任务。

GUPTA等人提出了Social GAN模型，Social GAN模型定义了用于运动预测的空间池。同时还提出了一种新型的池机制，这种机制能够让网络通过学习以往的历史轨迹代码，产生符合社会规范的轨迹，但是基于GAN模型的神经网络容易出现收敛速度过慢的问题。

另外还出现了关于Social-BIGAT模型的研究，Social-BIGAT模型引入图注意力网络来改善场景中行人之间的社交互动的建模，允许场景中的所有行人进行交互，并通过构建输出轨迹和表示场景中行人行为的之间的可逆映射来鼓励多模分布的泛化，可以学习更大的多峰轨迹分布，但Social-BIGTA模型的特征不足，导致行人轨迹预测的效果达不到预期。

发明内容

为了克服自动驾驶技术中，行人轨迹预测精度低的问题，本发明提供了一种基于注意力机制的图神经网络行人轨迹预测方法，在交互技术中同时关注空间相关性和时间相关性，并通过注意力机制将有效信息最大化。

本发明提出的技术方案如下：

S1：采集行人轨迹信息，提取轨迹运动特征，构建行人轨迹原始节点图，其中所述行人轨迹原始节点图包含行人轨迹的空间信息和时间信息；

S2：对所述行人轨迹原始节点图进行融合、舍弃和放大，过滤出对形成行人轨迹影响重大的信息，生成行人轨迹最终节点图，其中所述融合、舍弃和放大由图通道注意力机制完成；