[发明专利]一种基于注意力机制的行人轨迹预测方法

说明书

本发明涉及一种基于注意力的行人轨迹预测方法，用于更准确快速地预测行人的未来轨迹。具体包括三个模块，个体注意力编码模块，用于计算行人自身历史轨迹中隐藏向量的相似性并输出个体注意力特征矩阵，以获取在运动过程中行人自身的主要影响因素；社会注意力池化模块，用于接收个体注意力编码模块的计算结果，即个体注意力特征矩阵，计算场景中所有行人的历史轨迹中隐藏向量的相似性并输出综合运动特征矩阵，以获取在运动过程中行人之间的相互影响关系；门控循环单元解码模块，用于接收社会注意力池化模块的计算结果，即综合运动特征矩阵，利用门控循环单元计算并输出行人的未来轨迹坐标；本方法有效地提高了预测精度和速度。

技术领域

本发明涉及计算机视觉技术和自动驾驶领域，是一种基于注意力机制的行人轨迹预测方法。

背景技术

行人轨迹预测问题是计算机视觉应用中重要的研究方向之一，研究成果可以广泛应用于行人规避、自动导航、街道规划、自动驾驶等领域。轨迹预测问题可以看成是一种序列问题，即根据场景中行人的历史轨迹预测行人的未来轨迹。因为行人运动灵活多变，并且行人之间的交互运动复杂又抽象，所以行人轨迹预测的主要挑战就是如何准确找到行人的运动规律并对行人之间的交互运动建模。

在行人轨迹预测中，大多先进的方法都从两个方面提高预测方法的性能。一种从模拟行人运动规律的角度出发，学习行人的行走规律。另一种是从行人社会交互的角度出发，对场景中所有行人的运动建模。

现有的技术缺陷：目前的方法忽略了行人意图对运动的影响，导致不能正确地模拟行人的运动状态；目前的编码模块局限于使用循环神经网络，来编码当前时刻的行人的位置信息。但循环神经网络包含大量的重复计算导致模型运行时间长的问题，并且循环神经网络存在梯度消失和梯度爆炸等问题。因此，设计一种充分考虑行人意图的简单有效的行人轨迹预测模型是很有必要的。

发明内容

鉴于上述现有技术中的不足之处，本发明提供一种基于注意力机制的行人轨迹预测方法。该方法所采用的技术方案是通过引入注意力机制和改进行人交互运动模块，来使得模型更准确地预测行人的未来轨迹。

首先在个体注意力编码模块中，首次利用注意力机制提取行人的历史轨迹中的运动意图特征。其次，对社会注意力池化模块进行改进，利用注意力机制计算场景中周围行人对目标行人的影响权重得到社会注意力特征矩阵。然后，对社会注意力特征矩阵输入到多层感知机和池化门控循环单元提取时间相关性，得到综合运动特征矩阵。最后在门控循环单元解码模块中，输入综合运动特征矩阵，采用速度更快的门控循环单元解码能够快速得到预测的行人未来轨迹。

具体方案如下：

所述的行人轨迹预测方法包括三个模块，个体注意力编码模块、社会注意力池化模块和门控循环单元解码模块，其中，

所述个体注意力编码模块，用于计算行人自身历史轨迹中隐藏向量的相似性，并输出个体注意力特征矩阵，以获取行人自身在运动过程中的主要影响因素；

所述社会注意力池化模块，用于接收个体注意力编码模块的计算结果，即个体注意力特征矩阵，计算场景中所有行人的历史轨迹中隐藏向量的相似性，并输出综合运动特征矩阵，以获取在运动过程中行人之间的相互影响关系；

所述门控循环单元解码模块，用于接收社会注意力池化模块的计算结果，即综合运动特征矩阵，利用门控循环单元计算并输出行人的未来轨迹坐标；

所述行人轨迹预测方法的整体步骤包括：

(1)获取一段视频，以相同间隔将视频划分为若干帧，每T帧为一组，获取每组中每个行人的轨迹坐标X＝{(x^t,y^t)∈R²|t＝1,2,...,T}；

(2)将一组中每个行人的轨迹坐标输入到个体注意力编码模块中，利用注意力机制计算得到每个行人的个体注意力特征矩阵，以下称该模块中的注意力机制为个体注意力机制；