[发明专利]一种行人轨迹预测方法和系统

说明书

本发明涉及一种行人轨迹预测方法和系统，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未来编码器，得到隐变量；将隐变量输入解码器获得下一时刻行人的位置和速度。其不仅可以提高智能体轨迹预测的精度和多模态的预测能力，还能够加快模型训练的速度。

技术领域

本发明涉及一种行人轨迹预测方法和系统，属于智能交通态势感知技术领域，特别涉及一种基于条件变分自编码器和神经网络Transformer的行人轨迹预测。

背景技术

轨迹预测是交通态势感知中一个十分重要的组成部分，而交通态势感知是未来智能交通系统里最为重要的一环。在未来的智能交通系统里，由于交通很可能会变得更加复杂，智能交通系统需要拥有检测、理解并且能够对于各种不安全因素做出响应的能力。

轨迹预测主要是根据场景中各个智能体的过去轨迹，预测智能体未来的一小段时间内的运动轨迹。如果智能体能够对其他交通参与者的轨迹做出预测，那么诸如碰撞等因素将可以被避免，也可以为自动驾驶的决策提供重要的信息。轨迹预测往往分为行人轨迹预测、车辆轨迹预测以及混合场景下的轨迹预测问题。

然而，进行智能体的轨迹预测会面临许多的挑战。首先，在一个场景中，智能体并非是相互独立存在的，其运动会受到其他智能体的影响，需要避免与其他智能体相撞，同时还有可能需要跟随其他智能体运动。并且，智能体还会同周围的物理环境发生交互，需要考虑到桥梁建筑的阻挡作用，以及人行道红绿灯等涉及到交通规则的交互。其次，智能体的轨迹需要是连续的，不能出现飞跃或者违反运动规律的轨迹。最后，还需要考虑到轨迹的多模态性质，即智能体轨迹可能并非是固定的一条，而可能是一个概率分布，例如行人可能会从左边也可能会从右边绕过一个障碍物。

现有技术中有多种用于解决该问题的方法。早期的轨迹预测技术主要采用基于概率的方法，这其中又可以分为基于运动学与动力学的建模和基于机动信息的方法；人工智能方法开始为轨迹预测领域所使用后，深度学习逐渐成为主导，如基于循环神经网络(RNN)、基于生成式网络(如生成对抗网络(GAN)、变分自编码器(VAE))、基于图神经网络以及近来基于Transformer等方法。其中，单纯基于RNN的方法由于难以建模空间的交互，也无法体现轨迹的多模态性质，因此很难达到很高的精度。而引入生成式模型后，使用概率分布的方法，往往可以实现预测的多模态性质。如果引入图神经网络，则能够进行空间交互的建模，提高预测的精度。然而，基于循环神经网络的模型往往只能顺序处理，而不能并行化处理，同时由于循环结构，因而训练难度较大，时间较长。

发明内容

针对上述问题，本发明的目的是提供了一种行人轨迹预测方法和系统，其基于条件变分自编码器和神经网络Transformer对行人轨迹进行预测，其不仅可以提高智能体轨迹预测的精度和多模态的预测能力，还能够加快模型训练的速度。

为实现上述目的，本发明提出了以下技术方案：一种行人轨迹预测方法，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未来编码器，得到隐变量；将隐变量输入解码器获得下一时刻行人的位置和速度。

进一步，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：