[发明专利]基于社会力模型的过街行人轨迹预测方法、系统及介质

说明书

本发明提供了一种基于社会力模型的过街行人轨迹预测方法、系统及介质，包括：基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数。本发明利用改进的社会力模型，充分考虑行人个体差异性，将过街行人轨迹预测运用到自动驾驶汽车决策领域，能够提高自动驾驶汽车在人车混行斑马线区域行驶的安全性，降低车辆的延误率，提高道路通行能力。

技术领域

本发明涉及自动驾驶决策算法领域，具体地，涉及基于社会力模型的过街行人轨迹预测方法、系统及介质。尤其地，涉及一种基于社会力模型的行人轨迹预测方法，设计了从前期准备工作到后期具体实施方法的一整套流程。

背景技术

在自动驾驶领域，对于自动驾驶汽车所处环境的状况、交通参与者行为的理解和在此基础上的决策是一个重要的课题、行人是交通的重要参与者，也是交通参与者中的弱势群体。其动力学特性复杂，运动方向、速度变化随机性强，对其运动行为的理解是一个难点。

目前，自动驾驶领域对于行人的研究大多集中在行人识别与跟踪领域，自动驾驶汽车检测到一定范围内的行人后，停车等待行人通过。然而，车辆无条件停下等待行人通过的做法效率低下甚至造成拥堵，因为，行人面对来车也可能选择停下等待车辆通过后再继续行走。

现有的行人轨迹预测方法，有利用动态贝叶斯网络(DBN)、马尔可夫链等概率方法预测行人是否过马路的研究；也有通过匀速(CV)、匀加速(CA)模型对行人未来几秒内的轨迹进行简单的预测。概率方法预测行人走、停的决策具有一定准确性，但对于面对来车继续行走行人的运动轨迹预测无能为力；CV、CA模型过于简单，无法准确地刻画行人受环境影响、行人与行人之间相互作用、行人与车辆之间相互作用对行人轨迹地影响。此外，上述方法鲜有考虑行人个体差异性地影响，具有一定地局限性。

社会力(SF)模型是目前在交通工程领域被广泛运用于行人流仿真的一种方法，起初主要用于电影院、地铁站、展览馆等人群密集场所突发情况下行人疏散的仿真模拟，后来也有研究将其运用于信号灯路口行人过斑马线的仿真模拟，上述应用场景的目的都是根据模拟情况对安全通道、斑马线长度、红绿灯时间长短进行优化，而鲜有将社会力模型运用于自动驾驶汽车行人轨迹预测领域，也缺乏对行人个体差异性影响的考虑。

专利文献CN109635793A(申请号：201910097865.7)公开了一种基于卷积神经网络的无人驾驶行人轨迹预测方法，包括处理样本数据、获取输入信息序列、构建并优化网络、测试及评估最优模型。将无人驾驶车辆上的视觉传感器采集到的实时视频，分割成以帧为单位的图像作为样本数据，将样本数据中即将通过斑马线的目标人群划分成三类，从样本中获取行人位置-比例信息序列、行人骨架信息序列、视觉传感器自身运动序列，再将信息序列输入卷积神经网络进行训练，得到初步的预测模型，经过测试和评估，最终输出预测轨迹和动作类别。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于社会力模型的过街行人轨迹预测方法、系统及介质。

根据本发明提供的一种基于社会力模型的过街行人轨迹预测方法，包括：

基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取步骤：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取步骤：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；