基于生成对抗机制的群体行为预测方法研究

发布时间：2021-05-10 18:29

　　现代社会,预测人群场景中的群体行为,得到多个人群之间交互的未来轨迹已经成为复杂场景下的研究热点,在计算机视觉等领域中引起了广泛的关注,基于现有的轨迹预测框架,结合各大代表性轨迹预测算法的理论基础,本论文提出了一种新的基于生成对抗网络的可解释模型。本论文以场景中所有行人的历史轨迹数据和原始场景图片数据作为模型的输入,在生成对抗网络框架的基础上,新引入了物理注意力机制和社会注意力机制对轨迹预测进行双重考虑,得到更符合物理及社会规范的行人未来预测轨迹。本文具体的研究内容如下:（1）在生成对抗网络框架的基础上,新引入了物理注意力机制和社会注意力机制。物理注意力模块有助于网络提取场景的地形等背景信息,得到更值得关注的重要区域,避免无效的预测,增加预测的准确性;社会注意力模块能够聚合不同行人之间的信息并提取来自周围行人的最重要的轨迹信息,使得此方法能够预测出符合社会规范的路径。物理及社会双注意力机制的补充,弥补了传统预测算法未考虑到场景环境信息的问题,实现了对行人更合理更精确的预测。（2）本文使用生成对抗网络作为预测算法的基本框架下,使得本模型同时也能够实现对行人未来轨迹的多模态预测。轨迹多模态的... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 本课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文的结构安排
2 轨迹预测相关技术介绍
    2.1 视觉注意力机制介绍
        2.1.1 软注意力和硬注意力
        2.1.2 时间注意力和空间注意力
        2.1.3 占据网格
        2.1.4 邻居注意力机制
        2.1.5 分层LSTM机制
    2.2 Social-GAN轨迹预测模型介绍
    2.3 VGGnet-16卷积神经网络
    2.4 生成对抗网络
3 基于生成对抗机制的群体行为预测方法
    3.1 物理及社会注意力机制
        3.1.1 物理注意力机制
        3.1.2 社会注意力机制
    3.2 整体网络结构概述
    3.3 场景信息处理模块
    3.4 生成对抗模块
4 基于生成对抗机制的群体行为预测方法实验
    4.1 生成对抗网络机制的多模态生成性质验证
        4.1.1 变分自编码器
        4.1.2 生成对抗网络
        4.1.3 仿真实验设计
    4.2 模型训练采用的行人数据集介绍
    4.3 实验中涉及的配置参数及中间维度详细介绍
    4.4 行人轨迹预测实验效果比对
    4.5 注意力机制及轨迹预测效果可视化展示
    4.6 人群数据集
        4.6.1 真实与仿真人群数据集简介
        4.6.2 人群聚类算法效果
结论
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果


【参考文献】：
期刊论文
[1]生成式对抗网络研究进展[J]. 王万良,李卓蓉.  通信学报. 2018(02)
[2]神经网络中的注意力机制[J]. Adam Kosiorek.  机器人产业. 2017(06)



本文编号：3179845