申请/专利权人：武汉大学

申请日：2021-09-22

公开（公告）日：2024-04-23

公开（公告）号：CN113869170B

主分类号：G06V40/20

分类号：G06V40/20;G06V40/10;G06V20/56;G06V10/82;G06N3/042

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.01.21#实质审查的生效;2021.12.31#公开

摘要：本发明涉及一种基于图划分卷积神经网络的行人轨迹预测方法，在自动驾驶中，为了解决轨迹预测核心问题，即如何设计模型更好地捕获关联交互信息来提升预测精度与自动驾驶汽车的安全性，本发明设计了一套应用于复杂场景下的行人轨迹的预测模型，基于图划分卷积神经网络GP‑CNN，使用了两条通道相结合的方式提取场景的交互特征作为输入，并针对行人轨迹的时域特性的信息的专门处理，同时通过残差连接使得预测轨迹的前后向传播更加平滑顺畅，再通过轨迹预测网络生成行人交互预测轨迹。

主权项：1.一种基于图划分卷积神经网络的行人轨迹预测方法，其特征在于，包含以下步骤：步骤1，将输入的场景长轨迹数据分为多段短轨迹数据，并将生成的短轨迹进一步分为观测轨迹Pobs和真实轨迹Ppred，对Pobs进行预处理过程后转化为嵌入场景图G＝V,E，并由此场景图G产生图划分卷积层GP-CNN的两个输入值，分别定义为观测轨迹和各个节点的拉普拉斯矩阵A，t为当前记录的时刻；步骤2，对由嵌入场景图G得到的观测轨迹进行卷积层的特征提取，输出特征vo，将特征vo先输入进池化层进行下采样，用于更直接有效地捕获被预测对象与相关联的场景个体间的交互影响，产生的结果再输入到全连接层进行分类，从而达到针对不同的目标对被观测者的不同程度的影响的体现，最后将全连接层的输出与特征vo进行batch乘法从而得到进行了关联强度划分后的特征v；步骤3，依据公式vl+1＝σAvlW，利用前两个步骤得到的两个输出，分别是关注了相邻单位的交互信息的历史轨迹特征v，以及被预测对象的拉普拉斯矩阵A，进一步将二者通过batch乘法进行当前被预测对象的交互信息vl进行更新，从而达到不断丰富被预测对象的交互信息的目的，最后通过多层GP-CNN层迭代，得到用来预测未来轨迹的富含尽可能多的关联节点信息的观测轨迹特征vl+1；公式vl+1＝σAvlW中vl为v的第l次迭代的结果，W为权重参数，σ为激活函数；步骤4，在获取到GP-CNN层的最终特征v后，由于观测轨迹Pobs的特征v是按照观测轨迹Pobs的轨迹帧长度进行通道划分的，因此，将此特征v输入到TCN层中来处理时间序列通道的时域信息，从而保证行人轨迹的动态时域特性不被丢失；步骤5，将通过TCN层的轨迹特征进行残差连接；步骤6，将步骤5的输出输入到多层CNN层进行最终预测轨迹的生成；步骤7，设定损失函数LG，计算预测轨迹和真实轨迹Ppred的损失值，通过梯度下降的方式，对训练网络过程中的参数进行修正，最终使得行人预测轨迹尽可能的真实轨迹Ppred一致。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于图划分卷积神经网络的行人轨迹预测方法

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