[发明专利]一种行人轨迹预测方法和系统

权利要求书

1.一种行人轨迹预测方法，其特征在于，包括：

对行人数据集中坐标进行插值，并计算此时行人速度；

基于行人的位置和速度构建场景图，按照时间戳对所述场景图进行拆分，从而生成过去编码器和未来编码器的输入数据；

通过所述过去编码器和未来编码器的输入数据对过去编码器和未来编码器进行训练，使下一时刻速度和位置与地面真值的欧式距离最小，且过去编码器和未来编码器的KL散度最小；

将历史数据输入训练好的所述过去编码器，获得预测的行人位置和速度，将预测的行人位置和地面真值输入训练好的所述未来编码器，得到隐变量；

将所述隐变量输入解码器获得下一时刻行人的位置和速度。

2.如权利要求1所述的行人轨迹预测方法，其特征在于，所述计算此时行人速度的方法为：

对行人数据集中坐标先进行若干次样条插值，在智能体相邻记录之间插入若干个值，再通过时序差分法算出此时行人的速度：

其中，是第i个行人t时刻x方向的速度；是第i个行人t时刻y方向的速度；是第i个行人t时刻x方向的坐标值；是第i个行人t时刻y方向的坐标值；dt为时间步长。

3.如权利要求1所述的行人轨迹预测方法，其特征在于，所述构建场景图的方法为：在同一时间步长的行人位置和速度集合中，将所有数据均补充至最大长度，组成一个场景，将相邻两个时间步长的场景分别作为过去编码器和未来编码器的输入数据。

4.如权利要求3所述的行人轨迹预测方法，其特征在于，所述过去编码器的输入数据包括特征编码和场景编码，所述特征编码通过多层感知器编码行人位置和速度集合获得；所述场景编码通过卷积神经网络处理所述场景图获得。

5.如权利要求4所述的行人轨迹预测方法，其特征在于，所述未来编码器的输入数据包括所述过去编码器的输入和已知的行人未来信息的编码。

6.如权利要求1所述的行人轨迹预测方法，其特征在于，所述过去编码器获得隐变量的方法为：

对所述过去编码器的输入数据施加多头注意力机制，其通过多个矩阵取平均的方式对场景施加注意力机制，使得智能体能够充分与其他智能体交互，经过多头注意力机制编码交互后，将得到的向量与特征编码的向量相加并做标准化；

通过线性层结合ReLU函数激活，将上一步获得的注意力向量映射到隐藏层向量；

将得到的隐藏层向量映射到隐变量的概率分布，得到隐变量的概率分布后，对其进行采样得到隐变量。

7.如权利要求6所述的行人轨迹预测方法，其特征在于，所述未来编码器获得隐变量的方法为：

获得历史信息的隐藏层向量；

根据已知的行人未来信息，得到未来信息的注意力向量；

将所述隐藏层向量作为查询和键矩阵，将所述未来信息的注意力向量作为值矩阵，输入所述多头注意力机制中，并通过线性层结合ReLU函数激活，获得过去与未来的联合隐藏向量；

将得到的联合隐藏层向量映射到隐变量的概率分布，得到联合隐变量的概率分布后，对其进行采样得到未来编码器的隐变量。

8.如权利要求7所述的行人轨迹预测方法，其特征在于，将所述隐变量输入解码器获得下一时刻行人的位置和速度的方法为：

对所述未来编码器的隐变量进行编码，施加多头注意力机制后得到注意力向量；

将所述隐藏层向量作为查询和键矩阵，将上一步获得的注意力向量作为值矩阵，再次输入所述多头注意力机制中，获得与所述隐变量交互的隐藏向量；

将上一步获得的隐藏向量通过一线性层映射为行人的加速度；

设运动为匀加速运动，通过单积分器，由所述加速度以及前一时刻的速度和位置计算出行人下一时刻的速度和位移。

9.如权利要求8所述的行人轨迹预测方法，其特征在于，行人下一时刻的速度和位移的计算公式为：

其中，N为行人的总数，为此时的速度，为上一时刻的速度，为此时的位移，为上一时刻的位移，a是加速度。

10.一种行人轨迹预测系统，其特征在于，包括：

插值模块，用于对行人数据集中坐标进行插值，并计算此时行人速度；

场景图构建模块，用于根据行人的位置和速度构建场景图，按照时间戳对所述场景图进行拆分，从而生成过去编码器和未来编码器的输入数据；

模型训练模块，用于通过所述过去编码器和未来编码器的输入数据对过去编码器和未来编码器进行训练，使下一时刻速度和位置与地面真值的欧式距离最小，且过去编码器和未来编码器的KL散度最小；

测试模块，用于将历史数据输入训练好的所述过去编码器，获得预测的行人位置和速度，将预测的行人位置和地面真值输入训练好的所述未来编码器，得到隐变量；

解码输出模块，用于将所述隐变量输入解码器获得下一时刻行人的位置和速度。