基于生成对抗网络的多智能体轨迹预测

发布时间：2021-03-02 23:24

　　行为分析是近年来计算机视觉领域内的研究热点问题,受到国内外学者的广泛关注,可以应用于视觉监控、基于内容的检索、智能交通等众多领域。本文分析了具有代表性的轨迹预测算法,针对现有算法的不足,提出一种有效的智能体轨迹预测算法,主要工作如下:（1）针对传统轨迹预测算法仅依据场景内其他行人的运动信息,没有考虑场景内环境动态变化的问题。本文提出一种新的融合空间注意力和时间注意力的算法,首先将原始图像序列通过卷积神经网络输出特征映射,通过softmax得到空间注意力的权重表示,加权操作后得到空间注意力;接下来计算场景中所有邻居智能体与目标智能体的欧氏距离作为嵌入层和多层感知器的输入,并对输出取极值处理,只考虑对目标智能体路径规划影响大的信息。本文提出的注意力算法同时关注场景内行人的运动信息和环境的动态变化,使目标智能体可以根据其所处地理环境和场景内其他行人的运动趋势规划行进路径。（2）针对现有轨迹预测模型仅输出平均轨迹,不能很好地模拟行人运动不确定性的问题,本文提出基于生成对抗网络的多模态的轨迹预测算法,我们使用仿真数据分别在生成对抗网络和变分自编码器进行测试,验证生成模型是否可以得到多模态的输出,... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图２．１栅格覆盖框架??Ｆｉ．?２．１?Ｏｃｃｕａｎｃｒｉｄ?ｆｒａｍｅｗｏｒｋ??

?基于生成对抗网络的多智能体轨迹预测???智能体１?籲——？??嵌?Ｉ??智能体２?？?？?Ａ??日＼??层?英＼??智能体３?Ｈ—＾？?＼?加??＿?＿＿?＼?ｇ?１??同Ｚ和ｓ??智能体１?＿?＞?／??智能体２?畚?＾?Ｉ?，??Ｓ??智能体３?〇?？??图２．２邻域注意力框架??Ｆｉｇ．?２．２?Ｎｅｉｇｈｂｏｒ?ａｔｔｅｎｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??表２．２邻域注意力算法??Ｔａｂ．?２．２?Ｎｅｉｇｈｂｏｒ?ａｔｔｅｎｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??输入：智能体轨迹序列集合智能体轨迹长度为？??输出：邻域注意力??１．?ｆｏｒ?／?＝１?ｔｏ?ｔ?ｄｏ??２．?—＞嵌入层??３．?输出嵌入表不ｖｅ饮）ｒ??４．?｛ｘ＾ｙｌ｝?－＞ＬＳＴＭ??５．?输出隐藏状态？ｙＷｅ??６．?ｅｍｂｅｄｄｉｎｇ?ｖｅｃｔｏｒ—＞?ｓｏｆｔｍａｘ??７．?输出权重吻ｋ??８．?ｈｉｄｄｅｎ?ｓｔａｔｅ?？?＊?ａｌｐｈａ??９．?输出邻域注意力??１０．?ｅｎｄ?ｆｏｒ??９??

ｍ￣?１?刊断??［＼?ＬＳＴＭ?１￣￣？化?一＊ｆ?ＬＳＴＭ?Ｈ—￣■？预测轨迹——ｒ?ＬＳＴＭ?ｉ——？＊?轨迹??Ｉ?Ｉ?模??Ｊ；????＇；?５Ｂ??ｋ?丨：丨?块丨；丨?；?丨；丨为真??ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??ｉ?ｐ??ｉ?ｉ?ｐ?ｉ?ｊ—??ｉ?ｊ＂：－－??ｉ??ｉ?ＬＳＴＭ?ｉ￣￣—ｆ?ＬＳＴＭ?ｉ一￣？■预测轨迹——ｈ?ＬＳＴＭ?ｉ?？??ｉｌ＼＿??ｉｌ．．ｉ????＼ｙ：￣－ｒ－ｒｚ?—：ｌｌ????图２．４?Ｓ－ＧＡＮ轨迹预测框架??Ｆｉｇ．?２．４?Ｓ－ＧＡＮ?ｔｒａｊｅｃｔｏｒｙ?ｐｒｅｄｉｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??２．?２．?２?Ｓ－ＧＡＮ轨迹预测模型训练过程??定义场景内智能体的历史轨迹序列为Ｘ，预测轨迹序列为Ｐ，真实轨迹序列为Ｆ，??如下列公式所示：??Ｘ＝Ｘｘ，Ｘ２，Ｘ，－Ｘｎ?（２．１）??Ｙ＝Ｙｉ，Ｙ２，Ｙ３－－－Ｙｎ?（２．２）??（２．３）??Ｘ，＝（ｘ；＾；）ｅＭ２｜／?＝?ｌ，－，／ｏｆｃ?（２．４）??Ｙｉ＝ｘ；，ｙ＇ｉｅＲ２＼ｔ?＝?ｔｏｂｓ＋ｌ，－，ｔｐｒｅｐ?（２．５）??其中，《是场景内智能体的数目。Ｓ－ＧＡＮ轨迹预测模型主要由生成器网络和判别器网络??两部分组成。生成器网络由编码器和解码器两部分组成，将智能体轨迹（＜，乂）作为嵌入??层的输入，输出一组固定大小的向量，如公式（２．６）所示。??ｅ；?＝０（ｘ；，ｙ；；ｗｅｅ，ｂｅｅ）?（２．６）??其中０是嵌入层，＼是嵌入层的权重和偏置量。将智能体轨迹的嵌入表示通过编??码器的ＬＳＴＭ得到智能体轨迹的隐藏状态表示义，如公式（２．


本文编号：3060149