NETL
摘要
智能系统与日俱增，无人驾驶、智能机器人等逐渐成为现实。尤其随着深度神经网络的出现，人工智能科学与技术得到空前发展。随着智能系统繁荣发展的背后，人们对人工智能提出了更加智慧、更加安全的要求。其中，对行人等运动目标进行合理的轨迹预测，是目前主流研究方向之一。通过合理的轨迹预测，让智能系统充分理解当前所处场景，为后续自身轨迹规划与主动决策等方面提供可靠的数据来源，进一步提升智能系统智能水平。为此，本文提出基于场景与交互影响的多类别目标轨迹预测研究工作，对轨迹预测理论和方法研究具有重要意义。 通过分析场景内障碍物、运动体间相互影响、运动体自身速度等因素对运动轨迹的影响规律，采用Semantics-STGCNN轨迹预测算法架构，创新性提出了基于场景与交互影响的多类别目标轨迹预测研究。主要内容如下：（1）为精确表达不同类别运动体间交互影响的差异程度，根据先验知识，将交互影响分为弱、正常、强三类等级。通过one-hot编码三类特征，构建交互影响特征邻接矩阵模型，实现交互影响特征的提取。（2）为解决场景内静态障碍物对运动体的轨迹影响，构建场景障碍物栅格地图，结合运动体自身感受野，实现场景特征的提取。（3）将交互影响特征、场景特征与Semantics-STGCNN算法中的速度属性时空图进行融合，完成包含场景与交互影响信息的时空图构建，随后将时空图传入时空图卷积神经网络，学习运动体的时空轨迹特征，最后使用时间外推卷积神经网络，实现轨迹预测。 为了验证提出模型算法的有效性，在多类别轨迹的斯坦福无人机数据集上进行实验，并使用mADE，mFDE，aADE，aFDE作为预测误差评估指标。实验结果表明，四类指标分别为19.05，32.77，32.57，61.25。相较于Semantics-STGCNN算法，预测性能有所提升。进一步提高了轨迹预测精度水平，同时保证了实时性的要求。
关键词
目标轨迹预测/场景内障碍物/运动体间交互/时空图卷积神经网络/Semantics-STGCNN算法引用本文复制引用
授予学位
硕士学科专业
机械工程导师
周海波/王进学位年度
2023学位授予单位
天津理工大学语种
中文中图分类号
TP