基于运动目标捕捉的轨迹生成策略研究

作     者：杜党奎 

作者单位：华东交通大学 

学位级别：硕士

导师姓名：陈鹏展

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：轨迹预测 注意力机制 特征提取 多轨迹模拟数据集 

摘      要：当自动驾驶汽车、社交机器人、智能交通系统成为日常生活中必不可少的一部分时,对行人未来轨迹的预测成为迫切需求。因此,一项具体的任务是:给定动态场景(例如,十字路口),根据观察到的行人运动轨迹,预测最有可能的未来轨迹。但是,由于人类行为较为复杂,准确地预测行人未来轨迹具有挑战性。近年来,伴随着人工智能领域的不断开拓以及数据驱动技术的蓬勃发展,行人轨迹预测研究前景逐渐明朗。提高行人轨迹预测准确性的前提是对其交互进行建模。本文对现有轨迹预测模型进行研究分析,并针对S-GAN在场景信息提取与行人间交互等方面存在的不足提出改进方案,利用注意力池化机制,结合生成对抗网络搭建预测模型,将其命名为A-CGAN。其一,通过设置行人特征提取模块、场景信息提取模块等对潜在特征进行提取,并引入注意力池化机制对场景中的行人,场景中可能影响行人轨迹的物体等进行影响力权重分配,使模型可以充分利用交互信息;其二,基于SFM的思想,通过分配对应行人与场景信息的权重模拟目标行人受到的社会互作用力,加入随机采样的噪声来模拟目标行人自身行为复杂性带来的扰动力;其三,在模型训练过程中引入对抗性损失,用来解决模型预测轨迹多模态的问题。现有的行人数据集无法提供多条真实轨迹的路径数据,且人类行为又存在多样性与灵活性的特点。本文利用carla创建多轨迹模拟数据集,不仅复现经典数据集下的真实场景,还额外创建两个交互场景,并人为对可能存在多条轨迹路径的行人标注多条符合社会行为规范的轨迹,在丰富训练数据的同时又能提高模型的泛化能力。将训练好的模型在经典数据集和本文创建的多轨迹模拟数据集上进行测试,通过与经典模型的对比,验证了本文模型的有效性与预测性能的优越性。