[发明专利]一种基于人车交互的LSTM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人车交互的LSTM神经网络行人轨迹预测方法，包括以下步骤：构建人车交互的LSTM神经网络；建立多层神经网络的输入，包括输入当前行人轨迹、输入人‑人交互信息、输入人‑车交互信息；建立人车交互的LSTM神经网络的输出。本发明选用行人的前进方向和速度作为输入，更直观的表现出邻居和车辆对当前行人运动的影响。本发明引入邻居行人和车辆的影响作为“社会信息”，与行人轨迹共同作为输入，运用分层编码的模式构建神经网络，能够解决行人受社会因素影响所发生轨迹改变的问题，提高预测精度。本发明提出方向注意力函数，用来区分不同方向的车辆对行人的影响，以提高“社会信息”的精度，进而提高行人轨迹预测精度。

技术领域

本发明涉及一种行人轨迹预测方法，特别涉及到一种基于人-车交互的LSTM(LongShort-term MemoryNetworks,简称LSTM)神经网络的预测方法。

背景技术

在自动驾驶技术尤其是高密度混合交通环境中的自动驾驶技术的研究中，行人轨迹预测具有重要的意义。混合交通环境中，行人、非机动车与机动车等具备观察、思考、决策和行动能力的“智能单元”在同一道路空间活动，在共享区域内交互影响、互相作用。对行驶在混合交通环境中的智能汽车而言，在交互时仅仅避让是不够的，会导致车辆长久性“踌躇不前”或“进退失据”，并且其新颖性带来的围观行为更有可能引起交通流异常。因此，智能汽车在行驶中对行人在未来一段时间进行精准的轨迹预测具有重要的意义。行人轨迹预测是一个典型的时间序列预测问题，具有高度的时变性和非线性。由于行人轨迹预测本质是一个时间序列问题，随着深度学习的发展，基于数据驱动的建模方式成为研究热点，LSTM神经网络具有RNN(Recurrent Neural Network)网络输出反馈的特点，又能够通过自身内部的cell结构选择性长期记住需要记住的信息，可以更好的对行人轨迹进行预测。但是单纯的LSTM建模的方式忽略了行人与行人、行人与周围环境的交互影响，无法解释行人为了避免碰撞或结队而行产生的轨迹改变问题。

发明内容

针对上述问题，本发明要提出一种能提高行人轨迹预测精度的基于人车交互的LSTM神经网络行人轨迹预测方法，以实现良好的多步预测动态特性。

为了实现上述目的，本发明的技术方案如下：一种基于人车交互的LSTM神经网络行人轨迹预测方法，包括以下步骤：

A、构建人车交互的LSTM神经网络

所述的人车交互的LSTM神经网络包括行人轨迹输入、车辆轨迹输入、4个LSTM层和预测轨迹层，所述的4个LSTM层分别为LSTM层A、LSTM层B、LSTM层C和LSTM层D，所述的LSTM层A、LSTM层B、LSTM层C的输出端链接后输入到LSTM层D；所述的LSTM层A的输入端接收行人轨迹输入，所述的LSTM层B的输入端经人-人交互栅格地图连接收行人轨迹输入，所述的LSTM层C的输入端经方向权重计算模块和人-车交互栅格地图接收车辆轨迹输入，所述的LSTM层D的输出端为预测到的轨迹；

所述的LSTM层A对行人轨迹输入进行编码；

所述的LSTM层B对符合人-人交互栅格地图位置条件的行人轨迹输入进行编码；

所述的LSTM层C对方向权重计算模块的输出进行编码，所述的方向权重计算模块对符合人-车交互栅格地图位置条件的车辆轨迹输入进行编码；

所述的LSTM层D对LSTM层A、LSTM层B和LSTM层C链接后的输出进行解码和计算，得到预测的行人轨迹。

B、建立多层神经网络的输入

B1、输入当前行人轨迹