摘要
随着自动驾驶技术的发展，准确预测动态场景中行人轨迹十分重要，图神经网络（GraphNeuralNetwork，GNN）已被广泛用于预测社交网络中的个体关系。一方面，充分挖掘图数据中网络拓扑信息，能够提升GNN对图数据的推理能力，为下游任务生成准确的节点特征表示；另一方面，利用GNN处理行人交互产生的社交网络图，可以高效建模行人之间的社会意识，提升轨迹预测的准确性。因此，如何提升GNN对图结构信息的利用率，以及如何在行人轨迹预测任务中提取行人之间的社会交互是目前亟待解决的技术难题。针对现有GNN忽略图结构信息问题及行人轨迹预测模型对社会交互同质化提取问题，本文研究了图结构信息的节点聚合方法与行人社会意识信息建模问题，主要工作如下： （1）基于注意力机制的拓扑模式重构邻域图神经网络（ReconstructionofNeighborhoodinGraphNeuralNetworkswithAttention-basedTopologicalPatterns，ATPGNN）研究。分析影响现有GNN性能的因素并设计改进方案，提出ATPGNN模型。针对现有GNN忽略高阶相似节点问题，首先通过节点嵌入方法将图数据映射到潜在空间并创建高阶拓扑图，然后在高阶拓扑图上执行节点聚合操作得到高阶相似节点的特征表示。针对现有GNN不能充分利用图的拓扑信息问题，提出将图结构信息的节点嵌入向量应用于节点间的边权计算。针对现有GNN不能改变模型体系结构来适应不同数据集或下游任务问题，提出将构成模型的三个组成部件模块化。最后，将图的注意力机制应用于聚合远距离相似节点信息、节点图结构信息和节点特征，来更新每个节点获得最终的稳定特征表示。 （2）非同质化社会交互的多模态行人轨迹预测研究。以ATPGNN模型为基础，分析预测场景中行人之间社会拓扑信息的建立关系，提出行人轨迹预测模型Social-ATPGNN。针对现有行人轨迹预测模型对空间域上同一时刻行人社会交互同质化提取问题，构建一种非全连接的有向社会拓扑图。针对传统GNN忽略社会拓扑图中结构信息的问题，利用ATPGNN代替传统GNN，充分挖掘并利用社会拓扑图中的结构信息。针对提取时间域上行人轨迹相关性的LSTM模块的串行运算和参数规模庞大问题，利用附带残差连接的时间卷积网络代替了LSTM模块，减小模型参数实现不同时间步上行人轨迹的并行运算。
NETL