申请/专利权人：华东师范大学

申请日：2023-09-18

公开（公告）日：2024-04-09

公开（公告）号：CN117077727B

主分类号：G06N3/042

分类号：G06N3/042;G06N3/044;G06N3/0455;G06N3/0464;G06N3/0499;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明公开了一种基于时空注意力机制和神经常微分方程的轨迹预测方法，包括：获取行人和相邻行人的历史轨迹，将历史轨迹转化为社会特征向量；基于历史轨迹与社会特征向量获取初始潜在变量与外部输入变量；基于初始潜在变量与外部输入变量获取潜在变量；基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于历史轨迹与潜在变量获取行人的预测位移序列；将预测位移序列与历史轨迹的序列相加，获取最终预测结果；基于预测位移序列对轨迹预测模型进行参数优化。本发明综合考虑了场景中行人间的相互影响以及VAE中RNN循环更新隐藏状态是否连续的因素，在轨迹预测时了解行人的交互特征，从而提高行人轨迹预测的准确性。

主权项：1.一种基于时空注意力机制和神经常微分方程的轨迹预测方法，其特征在于，包括以下步骤：获取行人和相邻行人的历史轨迹，将所述历史轨迹转化为社会特征向量；采用时空注意力机制与图注意力机制，基于所述历史轨迹与所述社会特征向量获取初始潜在变量与外部输入变量；基于所述初始潜在变量与所述外部输入变量获取潜在变量；基于循环神经网络与神经常微分方程构建轨迹预测模型，并基于所述历史轨迹与所述潜在变量获取行人的预测位移序列；将所述预测位移序列与所述历史轨迹的序列相加，获取最终预测结果；基于所述预测位移序列对所述轨迹预测模型进行参数优化；将所述历史轨迹转化为社会特征向量的过程包括：获取所述历史轨迹中某时刻行人的二维坐标、速度加速度以及位移序列；基于所述二维坐标、速度加速度以及位移序列计算不同行人之间的欧式距离、方位角以及最小预测距离；将所述欧式距离、方位角以及最小预测距离进行拼接，获取所述社会特征向量；基于所述历史轨迹与所述社会特征向量获取外部输入变量的过程包括：采用时空注意力机制构建关系维度编码器，将所述历史轨迹与所述社会特征向量输入所述关系维度编码器，获取潜在特征变量；对所述潜在特征变量进行全局时间平均池化，并基于图注意力机制编码社会特征，获取所述外部输入变量；基于所述初始潜在变量与所述外部输入变量获取潜在变量的过程包括：将所述初始潜在变量和所述外部输入变量输入到GRU中，根据外部输入变量次更新初始潜在变量，获取潜在变量；基于所述历史轨迹与所述潜在变量获取行人的预测位移序列的过程包括：基于循环神经网络结构构建编码器，将所述历史轨迹输入所述编码器，获取真实轨迹特征；将所述潜在变量与所述真实轨迹特征输入基于“神经常微分方程-循环神经网络”结构的解码器中，获取最终潜在变量，并基于所述最终潜在变量生成预测位移序列；基于所述预测位移序列对所述轨迹预测模型进行参数优化的过程包括：将所述预测位移序列与真实轨迹进行误差计算，并将负证据下限作为误差损失函数反馈给所述轨迹预测模型，采用反向传播算法对所述轨迹预测模型进行重复训练迭代，优化权重参数。

全文数据：

权利要求：

百度查询： 华东师范大学 基于时空注意力机制和神经常微分方程的轨迹预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD