行人轨迹预测条件端点局部目的地池化网络

摘要：

轨迹预测是自动驾驶系统中的核心任务之一.现阶段基于深度学习的轨迹预测算法,涉及目标的信息表示、环境感知和运动推理.针对现有轨迹预测模型在运动推理过程中对行人社交动机考虑不足,无法有效预知场景中行人在不同社交条件下局部目的地的问题,该文提出一种条件端点局部目的地池化网络(CEPNET).该网络通过条件变分自编码器推理潜在轨迹分布空间来学习历史观测轨迹在特定场景中的概率分布,构建条件端点局部特征推理算法,将条件端点作为局部目的地特征进行相似性特征编码,利用社交池化网络过滤掉场景中的干扰信号,融入自注意力社交掩码来增强行人的自我注意力.为验证算法各模块的可靠性,使用公开的行人鸟瞰数据集(BIWI)和塞浦路斯大学多人轨迹数据集(UCY)对CEPNET进行消融实验,并与平凡长短时记忆网络(Vanilla)、社交池化生成对抗网络(SGAN)和图注意力生成对抗网络(S-BiGAT)等先进轨迹预测算法进行对比分析.在Tra-jnet++基准上的实验结果表明,CEPNET算法性能优于现有先进算法,并且与基准算法Vanilla相比,平均位移误差(ADE)降低22.52％,最终位移误差(FDE)降低20％,预测碰撞率Col-I降低9.75％,真值碰撞率Col-II降低9.15％.

关键词：轨迹预测、条件概率分布、目的地池化、自注意力

所属期刊栏目：44

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;辽宁省自然科学基金

在线出版日期：2022-10-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：3465-3475