CN110414365A - 基于社会力模型的过街行人轨迹预测方法、系统及介质 - Google Patents

Abstract

本发明提供了一种基于社会力模型的过街行人轨迹预测方法、系统及介质，包括：基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数。本发明利用改进的社会力模型，充分考虑行人个体差异性，将过街行人轨迹预测运用到自动驾驶汽车决策领域，能够提高自动驾驶汽车在人车混行斑马线区域行驶的安全性，降低车辆的延误率，提高道路通行能力。

Description

基于社会力模型的过街行人轨迹预测方法、系统及介质

技术领域

本发明涉及自动驾驶决策算法领域，具体地，涉及基于社会力模型的过街行人轨迹预测方法、系统及介质。尤其地，涉及一种基于社会力模型的行人轨迹预测方法，设计了从前期准备工作到后期具体实施方法的一整套流程。

背景技术

在自动驾驶领域，对于自动驾驶汽车所处环境的状况、交通参与者行为的理解和在此基础上的决策是一个重要的课题、行人是交通的重要参与者，也是交通参与者中的弱势群体。其动力学特性复杂，运动方向、速度变化随机性强，对其运动行为的理解是一个难点。

目前，自动驾驶领域对于行人的研究大多集中在行人识别与跟踪领域，自动驾驶汽车检测到一定范围内的行人后，停车等待行人通过。然而，车辆无条件停下等待行人通过的做法效率低下甚至造成拥堵，因为，行人面对来车也可能选择停下等待车辆通过后再继续行走。

现有的行人轨迹预测方法，有利用动态贝叶斯网络(DBN)、马尔可夫链等概率方法预测行人是否过马路的研究；也有通过匀速(CV)、匀加速(CA)模型对行人未来几秒内的轨迹进行简单的预测。概率方法预测行人走、停的决策具有一定准确性，但对于面对来车继续行走行人的运动轨迹预测无能为力；CV、CA模型过于简单，无法准确地刻画行人受环境影响、行人与行人之间相互作用、行人与车辆之间相互作用对行人轨迹地影响。此外，上述方法鲜有考虑行人个体差异性地影响，具有一定地局限性。

社会力(SF)模型是目前在交通工程领域被广泛运用于行人流仿真的一种方法，起初主要用于电影院、地铁站、展览馆等人群密集场所突发情况下行人疏散的仿真模拟，后来也有研究将其运用于信号灯路口行人过斑马线的仿真模拟，上述应用场景的目的都是根据模拟情况对安全通道、斑马线长度、红绿灯时间长短进行优化，而鲜有将社会力模型运用于自动驾驶汽车行人轨迹预测领域，也缺乏对行人个体差异性影响的考虑。

专利文献CN109635793A(申请号：201910097865.7)公开了一种基于卷积神经网络的无人驾驶行人轨迹预测方法，包括处理样本数据、获取输入信息序列、构建并优化网络、测试及评估最优模型。将无人驾驶车辆上的视觉传感器采集到的实时视频，分割成以帧为单位的图像作为样本数据，将样本数据中即将通过斑马线的目标人群划分成三类，从样本中获取行人位置-比例信息序列、行人骨架信息序列、视觉传感器自身运动序列，再将信息序列输入卷积神经网络进行训练，得到初步的预测模型，经过测试和评估，最终输出预测轨迹和动作类别。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于社会力模型的过街行人轨迹预测方法、系统及介质。

根据本发明提供的一种基于社会力模型的过街行人轨迹预测方法，包括：

基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取步骤：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取步骤：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断步骤：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则进入运动轨迹预测步骤继续执行，否则，则结束流程；

运动轨迹预测步骤：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

优选地，所述基础数据获取步骤：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速。

优选地，所述模型参数标定步骤包括：

逻辑回归模型参数标定步骤：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定步骤：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

优选地，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别。

优选地，所述过街行人走、停决策判断步骤：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1，GEN，AGE，DIS，VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测步骤继续执行；

若h_θ(x)小于预设值，则认为行人会停下来。

优选地，所述运动轨迹预测步骤：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

根据本发明提供的一种基于社会力模型的过街行人轨迹预测系统，包括：

基础数据获取模块：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定模块：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取模块：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取模块：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断模块：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则调用运动轨迹预测模块，否则，则结束流程；

运动轨迹预测模块：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

优选地，所述基础数据获取模块：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速；

所述模型参数标定模块包括：

逻辑回归模型参数标定模块：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定模块：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

优选地，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别；

所述过街行人走、停决策判断模块：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1，GEN，AGE，DIS，VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测模块继续执行；

若h_θ(x)小于预设值，则认为行人会停下来；

所述运动轨迹预测模块：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于社会力模型的过街行人轨迹预测方法的步骤。

与现有技术相比，本发明具有如下的有益效果：

本发明利用改进的社会力模型，充分考虑行人个体差异性，将过街行人轨迹预测运用到自动驾驶汽车决策领域，能够提高自动驾驶汽车在人车混行斑马线区域行驶的安全性，降低车辆的延误率，提高道路通行能力。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于社会力模型的自动驾驶汽车行人轨迹预测方法的流程示意图。

图2为本发明提供的工况示意图。

图3为本发明提供的社会力模型受力示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种基于社会力模型的过街行人轨迹预测方法，包括：

基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取步骤：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取步骤：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断步骤：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则进入运动轨迹预测步骤继续执行，否则，则结束流程；

运动轨迹预测步骤：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

具体地，所述基础数据获取步骤：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速。

具体地，所述模型参数标定步骤包括：

逻辑回归模型参数标定步骤：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定步骤：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

具体地，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别。

具体地，所述过街行人走、停决策判断步骤：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1，GEN，AGE，DIS，VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测步骤继续执行；

若h_θ(x)小于预设值，则认为行人会停下来。

具体地，所述运动轨迹预测步骤：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

本发明提供的基于社会力模型的过街行人轨迹预测系统，可以通过本发明给的基于社会力模型的过街行人轨迹预测方法的步骤流程实现。本领域技术人员可以将所述基于社会力模型的过街行人轨迹预测方法，理解为所述基于社会力模型的过街行人轨迹预测系统的一个优选例。

根据本发明提供的一种基于社会力模型的过街行人轨迹预测系统，包括：

基础数据获取模块：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定模块：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取模块：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取模块：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断模块：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则调用运动轨迹预测模块，否则，则结束流程；

运动轨迹预测模块：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

具体地，所述基础数据获取模块：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速；

所述模型参数标定模块包括：

逻辑回归模型参数标定模块：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定模块：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

具体地，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别；

所述过街行人走、停决策判断模块：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1，GEN，AGE，DIS，VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测模块继续执行；

若h_θ(x)小于预设值，则认为行人会停下来；

所述运动轨迹预测模块：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于社会力模型的过街行人轨迹预测方法的步骤。

下面通过优选例，对本发明进行更为具体地说明。

优选例1：

对于无信号灯控制斑马线区域，如图2中(a)所示，行人在斑马线上，沿南北方向行走，车辆(包括自动驾驶汽车和其他车辆)沿东西方向行驶。如图1所示，基于社会力模型的自动驾驶汽车行人轨迹预测方法由以下步骤组成：

(1)前期调查与数据预处理

第一步，选取几个典型的无信号等控制斑马线路段(有典型的人车交互场景、包含足够数量的各种类型的行人)，采集10小时以上的行人行走视频进行行人行走特点的分析。为便于分析，行人行走轨迹可采用俯视的视角，而行人年龄、性别等特征可采用平视视角。

将采集的视频做分帧处理，对分帧后的图片建立坐标系，完成像素坐标到物理坐标的转换。根据帧与帧之间坐标差异推算出行人的位移、速度等运动状态，通过统计，以平均值的方式得到不同年龄和性别的行人的理想速度v_d，最大速度v_max，调整时间τ等参数。

通过类似的视频和图像处理方式，同样能够获得人车交互场景时人车距离、车速等因素，集合平视视角采集的行人年龄和性别信息，一同作为自变量训练逻辑回归模型。通过梯度下降使逻辑回归代价函数取得全局最优，从而得到参数θ，作为公式(1)的一部分。

通过视频处理和图像处理，能够得到一段时间内行人行走的真实轨迹；估算社会力模型中各个分力的常数系数，给定一个初值，再用相同的初始条件(初始位置、初始速度)仿真得到这段时间内行人在社会力驱动下行走的轨迹，比较两段轨迹的差异，构造最大似然函数，用最大似然估计(MLE)的方法得到社会力模型各个分力的常数系数最优值。

(2)获取过街行人运动状态信息

第二步，利用自动驾驶汽车搭载的传感器，获得离车一定范围内行人的位置和速度信息，将此位置和速度信息作为轨迹预测的初始值，输入逻辑回归模型和社会力模型，此过程按一定的刷新频率不断进行，传感器不断更新信息，作为新的初值，对预测出的行人轨迹进行修正，直到行人离开自动驾驶汽车安全包络线。

(3)获取过街行人个体特征信息

第三步，利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，对汽车一定距离内行人的年龄和性别进行识别，识别结果一方面作为逻辑回归输入的一部分，用于刻画不同类型行人面对来车时采取行动的差异性，另一方面作为社会力模型输入的一部分，用于刻画不同类型行人动力学上的差异性。

(4)利用逻辑回归模型判断过街行人走、停决策

第四步，从传感器采集到的运动状态信息中提取出“人车距离”DIS，结合自动驾驶汽车车速VEL，行人的年龄AGE(青年0、中年1、老年2)和性别(男0、女1)，令x＝[1，GEN，AGE，DIS，VEL]^T，代入公式(1)计算，若h_θ(x)＞0.5，认为行人面对来车会继续前进，用社会力模型预测其运动轨迹，若h_θ(x)＜0.5，认为行人面对来车会停下避让，在人车距离相对安全的情况下，自动驾驶汽车可以选择继续行驶。在车道数较多，斑马线较长的情况下，行人面对来车采取的行动可能发生变化，可能需要多次使用逻辑回归来判断行人面对来车的走、停决策。

(5)利用社会力模型预测行人接下来2s的运动轨迹

第五步，对于逻辑回归判断面对来车继续前进的行人，根据传感器获得的其年龄和性别等个体特征，确定其理想速度v_d，最大速度v_max，调整时间τ等参数；根据传感器获得的其位置、速度等运动状态信息，作为社会力模型的初始值。对于被测行人α，用公式(2)计算目标点对其的驱动力F_d；如果行人在斑马线区域内，不受斑马线对其作用力，如果在斑马线区域外，用公式(3)计算斑马线对其边界力；如果行人视野范围内有其他行人，用公式(4)计算行人之间相互作用力，并求合力∑F_p；用公式(5)计算自动驾驶汽车对行人的作用力F_v；因为本工况为无信号人车混行路口，所以信号灯对行人的影响力F_s恒为零。

在公式(7)所示合力的驱动下，按照递推公式(8)、(9)更新行人的位置和速度，直到预测出未来2s行人的轨迹。

优选例2：

如图2中(b)所示，对于人车混行的有信号灯控制的十字路口，行人走斑马线上沿南北方向走行，自动驾驶汽车由南向北行驶，左转或者由北向南行驶，右转与行人发生交互。基于社会力模型的自动驾驶汽车行人轨迹预测方法由以下步骤组成：

(1)前期调查与数据预处理

第一步，选取几个典型的人车混行的有信号灯控制的十字路口(有典型的人车交互场景、包含足够数量的各种类型的行人)，采集10小时以上的行人行走视频进行行人行走特点的分析。与实施例1类似，行人行走轨迹可采用俯视的视角，而行人年龄、性别等特征可采用平视视角。

(2)获取过街行人运动状态信息

该步骤与实施例1相同

(3)获取过街行人个体特征信息

该步骤与实施例1相同

(4)利用逻辑回归模型判断过街行人走、停决策

第四步，从传感器采集到的运动状态信息中提取出“人车距离”DIS，结合自动驾驶汽车车速VEL，行人的年龄AGE(青年0、中年1、老年2)和性别(男0、女1)，令x＝[1，GEN，AGE，DIS，VEL]^T，代入公式(1)计算，若h_θ(x)＞0.5，认为行人面对来车会继续前进，用社会力模型预测其运动轨迹，若h_θ(x)＜0.5，认为行人面对来车会停下避让，在人车距离相对安全的情况下，自动驾驶汽车可以选择继续行驶。人车混行的路口一般斑马线长度都较短，只需要使用一次逻辑回归来判断行人的走、停决策，此后即可根据结果用社会力模型预测行人轨迹。

(5)利用社会力模型预测行人接下来2s的运动轨迹

第五步，对于逻辑回归判断面对来车继续前进的行人，根据传感器获得的其年龄和性别等个体特征，确定其理想速度v_d，最大速度v_max，调整时间τ等参数；根据传感器获得的其位置、速度等运动状态信息，作为社会力模型的初始值。对于被测行人α，用公式(2)计算目标点对其的驱动力F_d；如果行人在斑马线区域内，不受斑马线对其作用力，如果在斑马线区域外，用公式(3)计算斑马线对其边界力；如果行人视野范围内有其他行人，用公式(4)计算行人之间相互作用力，并求合力∑F_p；用公式(5)计算自动驾驶汽车对行人的作用力F_v，当行人自北向南行走，车自南向北行驶并向西转弯时，以车头中部为坐标原点，人在第二象限时作用力有效，当行人自南向北行走，车自北向南行驶并向西转弯时，以车头中部为坐标原点，人在第三象限时作用力有效；斑马线信号灯为绿灯时F_s为零，斑马线信号灯为绿灯闪烁或者红灯时，按公式(6)计算信号灯对行人的影响力。

在公式(7)所示合力的驱动下，按照递推公式(8)、(9)更新行人的位置和速度，直到预测出未来2s行人的轨迹。

优选例3：

一种基于社会力模型的自动驾驶汽车过街行人轨迹预测方法，其特征在于，包括以下几个步骤：

步骤1：前期调查与数据预处理

选取某人车混行斑马线区域做前期调查，拍摄该区域行人过街及交通状况视频，并利用视频处理软件，获得基础数据；

步骤2：获取过街行人运动状态信息

利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内过街行人的实时位置和速度信息；

步骤3：获取过街行人个体特征信息

利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的过街行人特征信息，包括行人的年龄(青年、中年、老年)和性别(男、女)；

步骤4：逻辑回归模型判定过街行人走、停决策

考虑过街行人行走过程中的内外环境要素，包括行人自身属性、自动驾驶汽车速度、人车距离等，基于逻辑回归模型，判定过街行人走、停决策；

步骤5：社会力模型预测过街行人未来2s的运动轨迹

对步骤4中逻辑回归模型判定面对自动驾驶汽车选择继续行走过街的行人，基于社会力模型的思想，建立行人微观动力学的社会力模型，预测过街行人未来2s的运动轨迹。

所述的基础数据包括不同年龄(青年、中年、老年)和性别(男、女)的行人行走时的理想速度v_d，最大速度v_max，调整时间τ。

所述的车辆安全包络线是指车辆横向方向，以单边车身为参考线，距离参考线5m以内的区域。

所述的行人个体特征信息被自动驾驶汽车搭载的传感器获取后，步骤1中的基础数据将与行人个体特征信息一一对应作为后续逻辑回归模型及社会力模型的输入。

所述的逻辑回归模型中的不可测量参数，利用最大似然估计法进行标定。

如图3所示，所述的社会力模型，考虑目标点对行人的驱动力F_d，斑马线对行人的边界力F_b，行人之间的相互作用力F_p，行人受到来车的作用力F_v，信号灯对行人的影响力F_s，行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s (1)

在合力的驱动下，生成行人α的预测轨迹，以时间步长Δt＝0.2s向前推算行人的位置与速度，时刻t到时刻t+1的递推公式为：

递推过程持续进行直到得到2s后行人α的位置。

所述的社会力模型中的不可测量参数，利用最大似然估计法进行标定。

优选例4：

本发明所要解决的技术问题在于，提供一种简单可行的，基于社会力模型的行人轨迹预测方法，该方法用于自动驾驶汽车在人车混行的路口对行人轨迹进行预测。

解决上述技术问题采用的技术方案按以下步骤组成：

(1)前期调查与数据预处理

选取某人车混行路口做前期调查，拍摄该区域行人行走视频，通过视频处理和图像处理提取行人的行走特征。包括，不同年龄(青年、中年、老年)行走时的理想速率v_d(定义为行人在没有任何干扰时行走的平均速度，标量)、最大速率v_max(定义为行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度，标量)，调整时间τ(假设行人倾向于以理想速度行走，定义为行人从当前某一速度变化到理想速度所需要的时间，单位：s)等参数供社会力模型使用。

提取出视频中人车交互的场景作为训练集，考虑行人的性别GEN(男0、女1)、年龄AGE(青年0、中年1、老年2)、人车距离DIS(单位：m)、车速VEL(单位：m/s)等因素作为自变量，对行人面对来车选择停下避让还是继续行走进行二分类，训练得到逻辑回归的系数θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别GEN的系数，θ₂为对应年龄AGE的系数，θ₃为对应人车距离DIS的系数，θ₄为对应车速VEL的系数

利用采集的行人行走视频，得到某初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，从而完成社会力模型的参数标定。

(2)获取过街行人运动状态信息

利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内过街行人的实时位置和速度信息，以此信息作为轨迹预测的初始值，输入逻辑回归模型和社会力模型。此过程重复进行，传感器不断更新信息，将更新后的值再次输入模型，对预测出的行人轨迹进行修正，直到行人离开自动驾驶汽车的关注区域。

(3)获取过街行人个体特征信息

利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的过街行人特征信息，包括性人的年龄(青年、中年、老年)和性别(男、女)，识别结果一方面作为逻辑回归模型自变量的一部分，另一方面作为社会力模型输入的一部分(根据行人性别、年龄的不同，社会力模型中对应的参数存在差异)。

(4)利用逻辑回归模型判断过街行人走、停决策

将步骤(2)、(3)采集到的行人运动状态信息和个体特征信息导入逻辑回归模型，用公式：

判断行人面对来车是否会继续前进，

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1，GEN，AGE，DIS，VEL]^T为逻辑回归的自变量，其中，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表汽车当前速度；

θ＝[θ₀，θ₁，θ₂，θ₃，θ₄]^T为逻辑回归的系数，由步骤(1)所述训练得到。h_θ(x)＞0.5认为行人会继续行走，h_θ(x)＜0.5认为行人会停下来。

(5)利用社会力模型预测过街行人未来2s的运动轨迹

对于步骤(4)用逻辑回归判断要继续行走的行人，用社会力模型预测其未来2s的运动轨迹，对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力，行人之间的相互作用力，行人收到来车的作用力，信号灯对行人的影响力。

目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

式子里v_d为理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点。假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，所以，目标点位置假定为：观察得到行人在预测初始时刻前1s的行走方向，按理想速率v_d从预测出发点行走3s后的位置；v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；τ_α为调整时间，衡量行人的反应能力。

斑马线对行人的边界力为：

通常，行人在过马路时趋向于在斑马线内行走，因此，当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势。式子里A_b、B_b为常数，是边界力的增益系数，x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量。

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量。

行人受到来车的作用力为：

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量。

信号灯对行人的影响力为：

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量。

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s (7)

在合力的驱动下，生成行人的轨迹，以时间步长Δt＝0.2s向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度

递推过程持续进行直到得到2s后行人α的位置，达到预测过街行人未来2s运动轨迹的目的。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于社会力模型的过街行人轨迹预测方法，其特征在于，包括：

基础数据获取步骤：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定步骤：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取步骤：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取步骤：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断步骤：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则进入运动轨迹预测步骤继续执行，否则，则结束流程；

运动轨迹预测步骤：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

2.根据权利要求1所述的基于社会力模型的过街行人轨迹预测方法，其特征在于，所述基础数据获取步骤：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速。

3.根据权利要求2所述的基于社会力模型的过街行人轨迹预测方法，其特征在于，所述模型参数标定步骤包括：

逻辑回归模型参数标定步骤：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀,θ₁,θ₂,θ₃,θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定步骤：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

4.根据权利要求3所述的基于社会力模型的过街行人轨迹预测方法，其特征在于，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别。

5.根据权利要求4所述的基于社会力模型的过街行人轨迹预测方法，其特征在于，所述过街行人走、停决策判断步骤：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1,GEN,AGE,DIS,VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离,VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀,θ₁,θ₂,θ₃,θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测步骤继续执行；

若h_θ(x)小于预设值，则认为行人会停下来。

6.根据权利要求5所述的基于社会力模型的过街行人轨迹预测方法，其特征在于，所述运动轨迹预测步骤：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

7.一种基于社会力模型的过街行人轨迹预测系统，其特征在于，包括：

基础数据获取模块：选取人车混行斑马线区域做前期调查，拍摄该区域的行人行走视频，通过对行人行走视频进行视频处理和图像处理，获得行人行走特征数据和人车交互场景数据；

模型参数标定模块：对获得的行人行走特征数据和人车交互场景数据进行预处理，标定逻辑回归模型和社会力模型的参数；

行人运动状态信息获取模块：利用自动驾驶汽车搭载的传感器，利用多传感器信息融合算法，获取车辆安全包络线范围内的行人运动状态信息；

行人个体特征信息获取模块：利用自动驾驶汽车搭载的集成了行人属性识别功能的传感器，获取车辆安全包络线内的行人个体特征信息；

过街行人走、停决策判断模块：将获得的行人运动状态信息和行人个体特征信息导入逻辑回归模型，判定行人走、停决策：若是判断继续行走，则调用运动轨迹预测模块，否则，则结束流程；

运动轨迹预测模块：对于继续行走的行人，用社会力模型预测其未来第一预设时长内的运动轨迹。

8.根据权利要求7所述的基于社会力模型的过街行人轨迹预测系统，其特征在于，所述基础数据获取模块：

所述的行人行走特征数据包括：不同年龄和性别的行人在行走时的理想速度v_d、最大速度v_max以及调整时间τ；

所述理想速度v_d指：行人在没有任何干扰时行走的平均速度；

所述最大速度v_max指：行人在信号灯即将变为红灯时加速通过斑马线时能够达到的最快的速度；

调整时间τ指：行人从当前某一速度变化到理想速度v_d所需要的时间；

所述人车交互场景数据包括：行人的性别、年龄、人车距离以及车速；

所述模型参数标定模块包括：

逻辑回归模型参数标定模块：将获得的人车交互场景数据作为自变量训练逻辑回归模型，用假设函数h_θ(x)和数据集中对应自变量x的真实的因变量y构造代价函数，给定一个θ的初始值，用梯度下降的方法不断迭代直到得到代价函数的全局最优，从而得到逻辑回归的系数θ＝[θ₀,θ₁,θ₂,θ₃,θ₄]^T，其中，θ₀是一个常系数项，θ₁为对应性别的系数，θ₂为对应年龄的系数，θ₃为对应人车距离的系数，θ₄为对应车速的系数；

社会力模型的参数标定模块：根据拍摄的行人行走视频，获得初始条件下行人行走的真实轨迹，利用同样初始条件，通过社会力模型得到行人行走的仿真轨迹，根据两条轨迹的差异构造最大似然函数，给予社会力模型参数一个估算的初值，利用最大似然估计的方法，不断迭代模型参数，获得社会力模型各个分力的常数系数最优值，从而完成社会力模型的参数标定。

9.根据权利要求8所述的基于社会力模型的过街行人轨迹预测系统，其特征在于，所述车辆安全包络线指车辆横向方向，以单边车身为参考线，距离参考线预设距离以内的区域；

所述行人运动状态信息包括：行人的实时位置和速度信息；

所述行人个体特征信息包括：行人的年龄和性别；

所述过街行人走、停决策判断模块：

将采集到的行人运动状态信息和行人个体特征信息导入逻辑回归模型，用如下公式判断行人面对来车是否会继续前进：

其中，

h_θ(x)为假设函数；

θ^T表示θ的转置；

x＝[1,GEN,AGE,DIS,VEL]^T为逻辑回归的自变量，即导入逻辑回归模型的量，运动状态信息和个体特征信息就是通过向量x导入逻辑回归模型，GEN代表行人的性别，AGE代表行人年龄，DIS代表人与车之间的距离，VEL代表自动驾驶汽车当前速度，；

θ＝[θ₀,θ₁,θ₂,θ₃,θ₄]^T为逻辑回归的系数；

若h_θ(x)大于预设值，则认为行人会继续行走，则进入运动轨迹预测模块继续执行；

若h_θ(x)小于预设值，则认为行人会停下来；

所述运动轨迹预测模块：

对于某被测行人α，社会力模型考虑目标点对行人的驱动力、斑马线对行人的边界力、行人之间的相互作用力、行人收到来车的作用力以及信号灯对行人的影响力：

所述目标点对行人的驱动力为：

其中，

F_d表示目标点对行人的驱动力；

v_d表示理想速度矢量，其大小为理想速率v_d，其方向为行人当前位置指向行人目标点；

假设行人α在不受任何外界干扰的情况下会按理想速率v_d，保持当前方向沿直线行走，则目标点位置为：观察得到行人在预测初始时刻前第二预设时长的行走方向，按理想速率v_d从预测出发点行走第三预设时长后的位置；

v_α为实际速度矢量，通过社会力模型计算得到，并不断递推；

τ_α为调整时间，衡量行人的反应能力；

斑马线对行人的边界力为：

其中，

当行人在斑马线外时，会收到斑马线对其吸引作用力，使其有向线内运动的趋势，式子里A_b、B_b为常数，是边界力的增益系数；x_α为行人的横坐标；B_x1、B_x2分别为斑马线左右边界的横坐标；n为垂直于斑马线的法向量；

行人之间的相互作用力为：

其中，

行人在行走时，有避让一定视野范围内其他行人的趋势，视野范围是半径为d_vr，角度为va的一个扇形；A_p、B_p为常数，是行人之间作用力的增益系数；将行人等效为圆，圆的半径为行人肩宽和胸厚的平均值，r_α和r_β为一组相互作用行人α和β的半径；d_αβ为向量，方向为β指向α，大小为两人之间的距离；n_αβ是方向为β指向α的单位向量；

行人受到来车的作用力为：

其中，

行人在面朝车走来时会受到车对其的作用力，式子里v_αy为行人速度在纵坐标方向的分量；y_α和y_v为行人和来车的纵坐标；A_v、B_v为常数，是人车之间作用力的增益系数；r_α和r_v为行人和来车的半径；d_αβ为向量，方向为车指向行人，大小为两人之间的距离；n_αv是方向为车指向行人的单位向量；

信号灯对行人的影响力为：

其中，

在信号灯为绿灯开始闪烁或者已经变为红灯的情况下，行人将加快速度向马路对面跑去，但最大速度不会超过v_max；A_s和B_s为常数，是信号灯对人影响力的增益系数；p_des和p_α分别为目标点的坐标和行人当前的坐标；n_des是方向为行人指向目标点的单位向量；

行人α所受的合力为：

F_α＝F_d+F_b+F_p+F_v+F_s

在合力的驱动下，生成行人的轨迹，以时间步长Δt向前推算行人的位置和速度，从时刻t到时刻t+1的速度和位置的递推公式为：

其中，

表示行人α在t+1时刻的位置

表示行人α在t时刻的位置

表示行人α在t时刻的速度

Δt表示时间步长

表示行人α在t时刻的受到社会力合力的大小

表示行人α在t+1时刻的速度。

10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于社会力模型的过街行人轨迹预测方法的步骤。