结合社会特征和注意力的行人轨迹预测模型

发布时间：2021-06-19 19:17

　　针对社会生成对抗网络行人交互特征简单且无法充分利用行人交互信息的问题,提出一种结合社会特征和注意力机制的行人轨迹预测模型。采用生成对抗网络模型,其中生成器使用编码器-解码器结构,中间加入注意力模块,并且设置3种社会特征以丰富行人交互信息。辅助注意力模块对同一场景中的行人进行影响力分配,使网络可以充分利用行人交互信息,提升模型的准确性。多个数据集上的实验结果表明,该模型较之前基于池化模块行人轨迹预测模型的准确率平均提高15%,且在行人密集、非直线轨迹多的场景中准确率提升34%,效果更加明显。 

【文章来源】：西安电子科技大学学报. 2020,47(01)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

结合社会特征和注意力的行人轨迹预测模型

行人的行为方式不仅取决于自身的当前位置Xi和过去状态hiet-1以及目的地方位，还取决于同一场景中其他行人的运动状态。为表现行人间的交互性，选取了3个特征判断其他行人与目标行人i的运动关系。以行人j为例，i和j之间的欧式距离Lij越短，对行人i的影响可能越大；除距离外，j的运动方向也会对i造成影响，如迎面走来的一个人肯定比同向而行的人影响大，为此选取另外两个和方向密切相关的特征cos L(ij,Vi）以及cos V(i,Vj），得到社会特征θij=[Lij,cos（Lij,Vi),cos（Vi,Vj）]∈R3。如图2所示，具体计算公式为其中，i表示目标行人，j表示场景中另一位行人。它们的坐标分别为（xit,yit）和（xjt,yjt),t=to。Lij表示两行人间的距离，用于计算距离对目标行人i当前的运动状态产生的影响。cos（Lij,Vi）表示两行人间的方位角，用于计算距离与运动方向的关系对目标行人i运动状态产生的影响。cos（Vi,Vj）表示两行人间的速度夹角，用于计算行人j的运动方向对目标行人i未来的运动状态产生的影响。行人i可根据这3个特征来决定接下来的运动状态。

其中，φ为一个全连接层，用于将三维特征映射到高维空间中；Wφ为该全连接层参数；fa为打分函数，采用点乘注意力机制[14]；σ为softmax函数。直观上理解，通过对场景中每个人的历史轨迹编码和其他行人与目标行人i的关系用注意力机制，可以得到其他行人对目标行人i未来轨迹决策的贡献权值，从而汇总出目标行人i做出决策所需的所有信息Ci，达到建模人群交互的目的。1.5 鉴别器

【参考文献】：
期刊论文
[1]结合注意力机制的人脸超分辨率重建[J]. 陈晓范,申海杰,边倩,王振铎,田新志.  西安电子科技大学学报. 2019(03)



本文编号：3238387