[发明专利]一种基于条件变分生成对抗网络的行人轨迹预测方法

说明书

本发明公开了一种基于条件变分生成对抗网络的行人轨迹预测方法，首先对语义地图中的环境信息进行特征提取，接着从预测行人的历史轨迹序列中提取特征信息，基于场景物理环境对行人轨迹的约束和影响，融合条件变分自编码器CVAE和条件生成对抗网络CGAN，设计条件变分生成对抗网络模型Context‑CVGN，实现行人轨迹预测；通过在不同场景下进行训练测试，本发明提供的Context‑CVGN能够综合二者的优点实现整体性能上的最优。整体上本发明提出的算法可以在环境语义信息较为复杂的情况下生成高质量的满足环境条件约束的行人未来轨迹预测结果。

技术领域

本发明设计行人轨迹预测技术领域，主要涉及一种基于条件变分生成对抗网络的行人轨迹预测方法。

背景技术

随着自动驾驶、摄像监控以及智能机器人等行业的飞速发展，行人轨迹预测问题已经引起多方面的关注和热议。一方面，能否实时、准确、快速预测行人的轨迹对于及时提示和避险起到积极的帮助，同时对无人车、智慧交通等领域的深入研究均有十分重大和深刻的意义；另一方面，由于行人运动轨迹受到多方面因素的影响和干扰，如何判断行人轨迹预测的准确性和鲁棒性也是这一问题相当关键的一部分。近年来，许多有关于行人轨迹预测的研究和方法被不断提出，取得较为不错的成果，推动这一领域的进步与发展。

一般来说，场景中每个交通参与者(行人，汽车，自行车等)之间相互有影响作用，而不只是依照参与者本身的历史轨迹信息进行轨迹预测，这一部分也正是行人轨迹预测中最复杂和难以预测的部分，因为行人在某一场景中的运动轨迹不仅受自身历史轨迹信息的影响，更大程度上受到周围交通参与者和环境信息的影响，这部分称之为与行人和周围环境的交互。根据文献(The walking behaviour of pedestrian social groups and itsimpact on crowd dynamics.PloS one,5(4):e10047,2010)数据，70％的行人倾向于成群结队走路。从中可以看出行人的轨迹很大程度上受到行人之间交互的影响。行人之间的交互主要由常识、习惯、社会习俗(如遵守交通规则)驱动。行人轨迹预测通常包含以下几种交互场景：与他人平行行走(相对/相向)，成群结队行走，避免碰撞等等；除此之外，行人轨迹预测的另一个复杂性来源于运动的随机性，因为行人的目的地和期望行走路径并不是已知的。基于上述考虑，现行的轨迹预测方法都不仅针对一个特定的参与者进行建模，而是考虑先验信息和交互信息的影响进行交互建模。

轨迹预测建立的模型主要针对交互模型加以特征提取，主流的建模方法主要有两种：手工交互建模和结构交互建模。手工交互建模方法(Handcrafted Interaction Model)建立的预测模型认为交互模型的基础是场景语义的空间特征(如行人间相对欧氏距离等)，并且基于此出发，首先基于历史轨迹数据手工构造空间特征，而后再基于不同方式建立交互模型。文献(Physical Review E:Statistical Physics Plasmas Fluids and RelatedInterdisciplinary Topics,1995,51(5):4282－4286)提出一种基于社会力(SocialForce)模型的预测方法,该方法认为行人之间的相互影响可以表述为引力和斥力，其他交通参与者在吸引行人时对行人产生引力，在防止行人发生碰撞时对行人产生斥力，进而提出了基于引力与斥力的方式对行人进行建模。这一模型具有简单直观、复杂性低的优点，其物理意义十分直观；但由于其未对环境语义信息加入建模过程，故无法对于行人一些社会性的行为如结伴而行等情况进行描述，且存在对模型参数过于敏感的问题，泛化能力较弱，无法取得较好效果的弊端。文献(Human trajectory prediction in crowdedspaces.CVPR,2016)提出的Social-LSTM模型。该方法结合交互空间特征与时间序列进行深度学习来建立交互预测模型，Social-LSTM为每个行人都配备一个长短期记忆神经网络LSTM网络来预测其未来路径，同时在网络中增加一个Social Pooling模块来计算周围其他行人对目标行人的空间特征并将其拼接到LSTM解码器隐向量上，这在一定程度上解决了交互的问题，取得了一定效果。