針對(duì)社會(huì)生成對(duì)抗網(wǎng)絡(luò)行人交互特征簡(jiǎn)單且無(wú)法充分利用行人交互信息的問(wèn)題,提出一種結(jié)合社會(huì)特征和注意力機(jī)制的行人軌跡預(yù)測(cè)模型。采用生成對(duì)抗網(wǎng)絡(luò)模型,其中生成器使用編碼器-解碼器結(jié)構(gòu),中間加入注意力模塊,并且設(shè)置3種社會(huì)特征以豐富行人交互信息。輔助注意力模塊對(duì)同一場(chǎng)景中的行人進(jìn)行影響力分配,使網(wǎng)絡(luò)可以充分利用行人交互信息,提升模型的準(zhǔn)確性。多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該模型較之前基于池化模塊行人軌跡預(yù)測(cè)模型的準(zhǔn)確率平均提高15%,且在行人密集、非直線軌跡多的場(chǎng)景中準(zhǔn)確率提升34%,效果更加明顯。 

【文章來(lái)源】：西安電子科技大學(xué)學(xué)報(bào). 2020,47(01)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

結(jié)合社會(huì)特征和注意力的行人軌跡預(yù)測(cè)模型

行人的行為方式不僅取決于自身的當(dāng)前位置Xi和過(guò)去狀態(tài)hiet-1以及目的地方位，還取決于同一場(chǎng)景中其他行人的運(yùn)動(dòng)狀態(tài)。為表現(xiàn)行人間的交互性，選取了3個(gè)特征判斷其他行人與目標(biāo)行人i的運(yùn)動(dòng)關(guān)系。以行人j為例，i和j之間的歐式距離Lij越短，對(duì)行人i的影響可能越大；除距離外，j的運(yùn)動(dòng)方向也會(huì)對(duì)i造成影響，如迎面走來(lái)的一個(gè)人肯定比同向而行的人影響大，為此選取另外兩個(gè)和方向密切相關(guān)的特征cos L(ij,Vi）以及cos V(i,Vj），得到社會(huì)特征θij=[Lij,cos（Lij,Vi),cos（Vi,Vj）]∈R3。如圖2所示，具體計(jì)算公式為其中，i表示目標(biāo)行人，j表示場(chǎng)景中另一位行人。它們的坐標(biāo)分別為（xit,yit）和（xjt,yjt),t=to。Lij表示兩行人間的距離，用于計(jì)算距離對(duì)目標(biāo)行人i當(dāng)前的運(yùn)動(dòng)狀態(tài)產(chǎn)生的影響。cos（Lij,Vi）表示兩行人間的方位角，用于計(jì)算距離與運(yùn)動(dòng)方向的關(guān)系對(duì)目標(biāo)行人i運(yùn)動(dòng)狀態(tài)產(chǎn)生的影響。cos（Vi,Vj）表示兩行人間的速度夾角，用于計(jì)算行人j的運(yùn)動(dòng)方向?qū)δ繕?biāo)行人i未來(lái)的運(yùn)動(dòng)狀態(tài)產(chǎn)生的影響。行人i可根據(jù)這3個(gè)特征來(lái)決定接下來(lái)的運(yùn)動(dòng)狀態(tài)。

其中，φ為一個(gè)全連接層，用于將三維特征映射到高維空間中；Wφ為該全連接層參數(shù)；fa為打分函數(shù)，采用點(diǎn)乘注意力機(jī)制[14]；σ為softmax函數(shù)。直觀上理解，通過(guò)對(duì)場(chǎng)景中每個(gè)人的歷史軌跡編碼和其他行人與目標(biāo)行人i的關(guān)系用注意力機(jī)制，可以得到其他行人對(duì)目標(biāo)行人i未來(lái)軌跡決策的貢獻(xiàn)權(quán)值，從而匯總出目標(biāo)行人i做出決策所需的所有信息Ci，達(dá)到建模人群交互的目的。1.5 鑒別器

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合注意力機(jī)制的人臉超分辨率重建[J]. 陳曉范,申海杰,邊倩,王振鐸,田新志.  西安電子科技大學(xué)學(xué)報(bào). 2019(03)



本文編號(hào)：3238387