[发明专利]基于对抗网络的预测行人轨迹方法、装置、设备及介质

说明书

本发明公开了基于对抗网络的预测行人轨迹方法、装置、设备及介质，其方法包括：获取当前行人过去的历史轨迹信息和真实的未来轨迹信息，并通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动状态；利用社交注意力机制对所述行人运动状态进行处理，得到当前行人的权重信息，并利用所述权重信息，得到当前行人预测的未来轨迹信息；通过将所述预测的未来轨迹信息和所述真实的未来轨迹信息进行辅助互信息函数处理，生成损失函数，并利用所述损失函数对对抗网络进行训练优化，得到训练优化后的对抗网络；利用所述训练优化后的对抗网络进行行人轨迹预测处理。

技术领域

本发明涉及交通环境感知技术领域，特别涉及一种基于对抗网络的预测行人轨迹方法、装置、设备及介质。

背景技术

人工驾驶存在各种安全隐患，据统90%的道路交通事主要原因都在于人为犯错，例如走神、疲劳、酒驾和超速。随着科技的日益发展，无人驾驶技术应运而生，当智能系统代替或辅助人脑时，走神疲劳等主观问题将不再是交通安全事件中的“常客”。其中交通环境感知是无人驾驶技术中极为重要的一部分，而行人轨迹预测则是一个亟待解决和优化的难点。行人轨迹预测是无人驾驶汽车行人主动避撞算法的基础，其结果的准确性将直接影响规划决策层能否规划出合理有效的控制策略。由于行人在路径决策过程中主观意图变化较大，不同行人在相同条件下的路径决策结果也千差万别，实际轨迹也随之变化。

发明内容

根据本发明实施例提供的方案解决的技术问题是对抗性网络本身鲁棒性差的问题。

根据本发明实施例提供的一种基于对抗网络的预测行人轨迹方法，包括：

获取当前行人过去的历史轨迹信息和真实的未来轨迹信息，并通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动状态；

利用社交注意力机制对所述行人运动状态进行处理，得到当前行人的权重信息，并利用所述权重信息，得到当前行人预测的未来轨迹信息；

通过将所述预测的未来轨迹信息和所述真实的未来轨迹信息进行辅助互信息函数处理，生成损失函数，并利用所述损失函数对对抗网络进行训练优化，得到训练优化后的对抗网络；

利用所述训练优化后的对抗网络进行行人轨迹预测处理。

根据本发明实施例提供的一种基于对抗网络的预测行人轨迹装置，包括：

处理模块，用于获取当前行人过去的历史轨迹信息和真实的未来轨迹信息，并通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动状态；以及利用社交注意力机制对所述行人运动状态进行处理，得到当前行人的权重信息，并利用所述权重信息，得到当前行人预测的未来轨迹信息；

网络训练优化模块，用于通过将所述预测的未来轨迹信息和所述真实的未来轨迹信息进行辅助互信息函数处理，生成损失函数，并利用所述损失函数对对抗网络进行训练优化，得到训练优化后的对抗网络；

预测模块，用于利用所述训练优化后的对抗网络进行行人轨迹预测处理。

本申请实施例提供的一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现一种基于对抗网络的预测行人轨迹方法。

本申请实施例提供的一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现一种基于对抗网络的预测行人轨迹方法。

根据本发明实施例提供的方案，通过新的对抗网络产生的新的损失函数对于生成器的作用在于值越小使得生成器生成的样本越来越真。而在判别器中，值越小则判别器越能区分出生成样本和真实样本。使用本发明方法后的测试结果相对于使用其他几个模型行人轨迹预测误差率更小了。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例提供的一种基于对抗网络的预测行人轨迹方法流程图；