[发明专利]一种基于双重注意力机制的轨迹预测方法及装置

权利要求书

1.一种基于双重注意力机制的轨迹预测方法，其特征在于，包括：

获取观测区域内多个目标在上一时间段的轨迹数据；

对目标的轨迹数据进行预处理，将预处理结果作为目标特征的初始值；

构建图结构数据，所述图结构数据中节点与目标一一对应，所述节点特征的初始值为对应目标的目标特征的初始值，连接相邻节点形成图结构数据的边；

将所述图结构数据输入图注意力网络模组，所述图注意力网络模组被配置为提取目标之间的空间交互信息以及基于所述空间交互信息更新图结构数据的节点特征，即更新目标特征；

将更新后的目标特征输入时间注意力网络模组，所述时间注意力网络模组被配置为从更新后的目标特征中提取时间交互信息以及基于提取的时间交互信息获取目标在下一时间段的预测轨迹。

2.如权利要求1所述的基于双重注意力机制的轨迹预测方法，其特征在于，对目标的轨迹数据进行预处理，将预处理结果作为目标特征的初始值，具体为：将目标在上一时间段每个采样点的绝对位置坐标和相对位置坐标聚合，将目标所有采样点的聚合结果进行线性变换获得目标特征的初始值。

3.如权利要求1或2所述的基于双重注意力机制的轨迹预测方法，其特征在于，所述图注意力网络模组包括一层或多层级联的图注意力网络，以及图输出层；

所述图注意力网络被配置为：基于输入所述图注意力网络的图结构数据提取相邻目标之间的注意力互相关系数，对所述注意力互相关系数进行正则化处理获得相邻目标之间的空间交互信息，基于相邻目标之间的空间交互信息更新目标特征；

所述图输出层输出最后一层图注意力网络更新后的每个目标的目标特征。

4.如权利要求3所述的基于双重注意力机制的轨迹预测方法，其特征在于，在第一层图注意力网络提取相邻目标之间的注意力互相关系数之前，先将目标的目标特征的初始值与图注意力网络的共享权重矩阵叉乘获得第一特征，基于目标的第一特征提取目标之间的注意力互相关系数。

5.如权利要求4所述的基于双重注意力机制的轨迹预测方法，其特征在于，所述图注意力网络模组还包括门控激活模块；

所述门控激活模块对每个目标的第一特征进行处理并将处理结果作为目标的第二特征，基于相邻目标之间的空间交互信息和目标的第二特征更新目标特征。

6.如权利要求3所述的基于双重注意力机制的轨迹预测方法，其特征在于，将相邻目标之间的位置差作为计算注意力互相关系数的图边特征先验知识。

7.如权利要求4、5或6所述的基于双重注意力机制的轨迹预测方法，其特征在于，所述图注意力网络为多头图注意力网络，多头图注意力网络分别获取相邻目标之间的空间交互信息，每头图注意力网络以各自的空间交互信息更新目标特征，聚合多头图注意力网络更新的目标特征将聚合的目标特征作为目标最终更新的目标特征。

8.如权利要求4、5或6所述的基于双重注意力机制的轨迹预测方法，其特征在于，当所述图注意力网络模组包括多层级联的图注意力网络时，多层图注意力网络之间设置有至少一条残差连接支路和/或至少一条跳线连接支路。

9.如权利要求1所述的基于双重注意力机制的轨迹预测方法，其特征在于，所述时间注意力网络模组通过时间注意力模块和第一因果卷积模块从更新后的目标特征中提取不同尺度的时间交互信息，并基于提取的不同尺度的时间交互信息获取所述目标在下一时间段的预测轨迹。