CN113191539B - 一种基于异构图聚合网络的高密度复合场景轨迹预测方法 - Google Patents

一种基于异构图聚合网络的高密度复合场景轨迹预测方法 Download PDF

Info

Publication number
CN113191539B
CN113191539B CN202110422670.2A CN202110422670A CN113191539B CN 113191539 B CN113191539 B CN 113191539B CN 202110422670 A CN202110422670 A CN 202110422670A CN 113191539 B CN113191539 B CN 113191539B
Authority
CN
China
Prior art keywords
objects
target object
network
heterogeneous graph
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110422670.2A
Other languages
English (en)
Other versions
CN113191539A (zh
Inventor
刘顺程
陈旭
苏涵
郑凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110422670.2A priority Critical patent/CN113191539B/zh
Publication of CN113191539A publication Critical patent/CN113191539A/zh
Application granted granted Critical
Publication of CN113191539B publication Critical patent/CN113191539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于异构图聚合网络的高密度复合场景轨迹预测方法，构建了包含自适应邻居选择器、编码器和解码器三个子结构的异构图聚合网络，通过首先自适应邻居选择器来自动选择目标物体的邻居，并生成异构图的结构；然后通过编码器使用两阶段聚合器来聚合不同类型的邻居之间的异构特征信息，然后解码器使用基于LSTM的历史信息残差连接技术进行解码，利用输入的历史轨迹时序信息特征获得了目标物体未来的二维坐标时序预测信息输出。本发明能显著提升高密度复合场景轨迹预测的准确率，实现了在复杂交通场景下的多类别物体的高精度轨迹预测。

Description

一种基于异构图聚合网络的高密度复合场景轨迹预测方法
技术领域
本发明涉及轨迹预测技术领域，具体地讲，是涉及一种基于异构图聚合网络的高密度复合场景轨迹预测方法。
背景技术
随着自动驾驶技术的快速发展，未来相当一部分机动车将被自动驾驶汽车所替代。在自动驾驶领域中，轨迹预测作为一项核心技术被广泛运用在自动驾驶汽车的导航、控制和决策中。自动驾驶车辆通过预测其周围车辆的未来轨迹来更精准地控制自身的行为，从而避免交通事故等安全隐患。
因此自动驾驶车辆需要使用高效且准确的轨迹预测技术来进行行为决策。
现有的轨迹预测方法主要分为单一场景预测和复合场景预测，其中单一场景轨迹预测是假设交通系统中有且仅有一类物体，例如步行街中的行人或者高速公路上的汽车。这一类轨迹预测方法大多使用传统的循环神经网络(RNN)来学习某一类物体的运动模式特性，从而进行单类物体的轨迹预测。
而复合场景轨迹预测则是在交通系统中考虑到了多种类型的物体，例如城市道路中的自行车、汽车、行人等。在复合场景的轨迹预测领域中，现有的方法主要使用长短期记忆神经网络(LSTM)来学习不同类型物体之间的交互模式特性，以便更好地预测不同类型物体的未来轨迹。
在城市化发展过程中，交通系统趋于复杂化，单一场景下的轨迹预测显然不足以适应复杂的交通环境，例如单一场景行人轨迹预测模型就无法简单地迁移到城市道路中来使用，因为行人的运动模式与自行车或汽车是截然不同的，从而导致轨迹预测结果误差较大。因此，复合场景轨迹预测方法更适用于目前复杂的城市道路交通系统，其在拥有多类交通物体的交通环境中，相较于单一场景轨迹预测方法更具有可靠性和鲁棒性。
通常情况下，复合场景轨迹预测针对复杂的交通物体之间的交互。现有的复合场景轨迹预测方法大多使用一个长短期机器神经网络(LSTM)或者卷积神经网络(CNN)来提取预测目标与其邻居物体之间的交互性。然而，不同类别的邻居物体对预测目标的影响是不同的，例如，行人会更注意周围的汽车而不是周围的行人，因为汽车带来的影响比行人更大。因此传统的方法使用单个神经网络来学习预测目标与其邻居物体之间的交互性会造成错误的权重共享，从而导致目标物体对周围的不同类别的邻居保持错误的注意力。此外传统方法使用固定的区域来选定目标物体的邻居，在高密度的交通系统中，这样的方法会导致模型选择到冗余的邻居或者漏选有效的邻居，例如使用固定大小的圆形区域在城市道路中圈定范围来选择目标物体的邻居，如果范围过小，会漏选一些邻居物体，相反如果范围过大，则会选定过多的邻居。因此在高密度交通场景下，目标物体的邻居的选择取决于不同的交通环境，而不是简单的固定一个区域去选择。
发明内容
针对上述技术问题，本发明提供一种基于异构图聚合网络的高密度复合场景轨迹预测方法，以解决单个神经网络导致的权重共享问题以及固定区域邻居的多选或漏选问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于异构图聚合网络的高密度复合场景轨迹预测方法，包括以下步骤：
S100、构建异构图聚合网络，将场景探测范围内所有物体的历史轨迹时序信息作为网络的输入特征，该历史轨迹时序信息包含指定历史时间段内所有物体的二维坐标特征、物体自身的大小特征以及物体所属的类别特征；
S200、使用全局注意力机制为邻居物体分别进行权重分配，使每个邻居物体都获得一个权重得分，将每个邻居物体的权重得分乘以对应物体的原始特征信息得到新的特征，生成异构图结构；
S300、将所有物体按照类别特征分别进行嵌入编码，然后将嵌入编码分别输入至LSTM时序编码网络中对各个类别特征和目标物体进行时序编码；
S400、将时序编码结果输入两阶段聚合器中，依次进行物体聚合和类别聚合，输出一个能够表征类别特征和目标物体的表征向量；
S500、使用基于LSTM的历史信息残差连接技术对聚合输出的表征向量进行解码，然后通过全连接网络进行线性激活，最终将输出每个时间步的线性激活结果作为整个异构图聚合网络的输出，对目标物体进行轨迹预测。
具体地，所述物体所属的类别特征包括汽车、行人和自行车。
具体地，所述步骤S200中邻居物体的权重得分Si计算公式为：
Si＝attention((fτ,fi))
其中，attention是使用Softmax激活函数的全局注意机制，fii是在时间间隔内候选相邻物体的特征，fτ是预测目标的特征。
具体地，所述步骤S200中生成异构图结构包含目标物体节点和所有的邻居节点，每个节点代表物体的特征信息，每个邻居节点只与目标物体节点有关联边，且边权重为权重得分。
具体地，所述步骤S300中利用LSTM时序编码网络进行时序编码采用如下公式：
Figure GDA0003397180780000031
Figure GDA0003397180780000032
其中，
Figure GDA0003397180780000033
和
Figure GDA0003397180780000034
分别表示t时刻所有的邻居节点和目标物体节点的隐藏状态，
Figure GDA0003397180780000035
和
Figure GDA0003397180780000036
表示相应LSTM的参数，c表示类别特征，τ表示预测目标物体，esz,τ和esz,c分别表示预测目标物体和第c类物体面积特征的嵌入编码向量，
Figure GDA0003397180780000037
和
Figure GDA0003397180780000038
分别表示预测目标物体和第c类物体在t时刻的空间特征嵌入编码向量。
具体地，所述步骤S400中第一阶段聚合器使用多头注意力机制对各类型特征的邻居物体分别进行聚合，用单个表征向量来表征多个物体的类别特征向量。
进一步地，所述步骤S400中采用均值相加和残差连接技术对于该用来表征多个物体的类别特征向量的单个表征向量进行处理，增强其表征能力。
进一步地，所述步骤S400中第二阶段聚合器将用来表征多个物体的类别特征向量的单个表征向量与目标物体的向量进行类别聚合，输出用于表征类别特征和目标物体的单个表征向量。
具体地，所述步骤S500中解码时历史信息来自编码聚合的输出结果和编码时LSTM时序编码网络的编码信息。
具体地，所述步骤S500中残差连接在LSTM网络中每个解码时间步都使用前两个时间步的解码输出，可有效增强解码性能，使历史信息能够得到充分地利用。
具体地，所述输出每个时间步的线性激活结果为目标物体未来的二维坐标时序预测信息。
与现有技术相比，本发明具有以下有益效果：
本发明构建的异构图聚合网络包含自适应邻居选择器、编码器和解码器三个子结构，通过自适应邻居选择器形成的异构图结构可自动选择邻居物体，通过编码器的两阶段聚合器分别依次对物体聚合和类别聚合，避免了单个神经网络的权重共享问题，从而有效编码目标物体对不同类型的邻居物体的交互特征信息，同时解码器采用基于长短期记忆神经网络的历史信息残差连接技术来对编码结果进行解码，有效增强了对历史信息的感知能力，提高了解码器与编码器之间的价值信息传递效能，从而输出高精度的目标物体的轨迹预测结果，显著提升了高密度复合场景轨迹预测的准确率，实现了在复杂交通场景下的多类别物体的高精度轨迹预测，在轨迹预测应用中存在巨大优势。
附图说明
图1为本发明-实施例中异构图聚合网络的总体架构示意图。
图2为本发明-实施例中第一阶段聚合器的架构示意图。
图3为本发明-实施例中第二阶段聚合器的架构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示，该基于异构图聚合网络的高密度复合场景轨迹预测方法，包括以下步骤：
S100、构建异构图聚合网络，该异构图聚合网络包含自适应邻居选择器、编码器和解码器三个子结构。
将场景探测范围内所有物体的历史轨迹时序信息作为网络的输入特征，该历史轨迹时序信息包含指定历史时间段t-h+1时刻到t时刻内所有物体的二维坐标特征(x,y)、物体自身的大小特征s以及物体所属的类别特征c；结合实际情况，本实施例将类别特征c取值为{1,2,3}，分别代表汽车、行人和自行车。
网络的输出是目标物体指定未来时间段内的二维坐标时序预测信息，也就是目标物体从t+1至t+z的二维坐标信息。h和z分别表示设定的时刻参数。
S200、通过自适应邻居选择器，使用全局注意力机制为三个类别的邻居物体分别进行权重分配，使每个邻居物体都获得一个权重得分Si，权重得分计算公式为：
Si＝attention((fτ,fi))
其中，attention是使用Softmax激活函数的全局注意机制，fi是在时间间隔内候选相邻物体的特征，fτ是预测目标的特征。权重的高低就代表该邻居物体对于目标物体的重要程度，权重越高越重要，权重越低越不重要。
通过这种方式可以将邻居节点进行有效划分，将每个邻居物体的权重得分乘以对应物体的原始特征信息得到新的特征，由此生成一个异构图结构；该异构图结构包含了目标物体节点和所有的邻居节点，每个节点代表物体的特征信息，每个邻居节点只与目标物体节点有关联边，且边权重为权重得分。
S300、通过编码器，将所有物体按照类别特征分别进行嵌入编码，其中可以将物体的大小特征和坐标特征分开进行嵌入编码便于网络学习到不同特征的关键信息。然后将嵌入编码分别输入至四个LSTM时序编码网络中对三个类别特征和目标物体进行时序编码，如下所示：
Figure GDA0003397180780000061
Figure GDA0003397180780000062
其中，
Figure GDA0003397180780000063
和
Figure GDA0003397180780000064
分别表示t时刻所有的邻居节点和目标物体节点的隐藏状态，
Figure GDA0003397180780000065
和
Figure GDA0003397180780000066
表示相应LSTM的参数，c表示类别特征，τ表示预测目标物体，esz,τ和esz,c分别表示预测目标物体和第c类物体面积特征的嵌入编码向量，
Figure GDA0003397180780000067
和
Figure GDA0003397180780000068
分别表示预测目标物体和第c类物体在t时刻的空间特征嵌入编码向量。
S400、将时序编码结果输入两阶段聚合器中，依次进行物体聚合和类别聚合。在第一阶段中聚合器首先从物体自身角度分别对三个类别的邻居物体进行聚合，第一阶段聚合器使用多头注意力机制对三类邻居物体分别进行聚合，使得多个物体的类别特征向量能用单个表征向量来表征。LSTM时序编码网络的输出将作为多头注意力机制的输入，并嵌入到三个向量中：查询Qτ，键K，值V，如下所示：
Figure GDA0003397180780000069
其中，wQ，wK和wV分别表示嵌入神经网络内部的权重参数。
然后采用均值相加和残差连接技术对于该用来表征多个物体的类别特征向量的单个表征向量进行处理，增强其表征能力。将该残差连接计算为S′：
Figure GDA00033971807800000610
其中，
Figure GDA00033971807800000611
表示的是任意车辆经过处理的特征平均值，最终第一阶段聚合器的输出是三个类别特征的邻居物体的三个表征向量
Figure GDA00033971807800000612
Figure GDA00033971807800000613
为整合后的单个表征向量。
然后将用来表征多个物体的类别特征向量的单个表征向量输入至第二阶段聚合器中进行类别聚合，使得三个类别特征的表征向量和目标物体的向量能用单个向量来表征。第二阶段聚合器的结构与第一阶段聚合器类似，具体来说，时间LSTM和目标聚合的输出将像如下优先被嵌入：
Figure GDA0003397180780000071
Figure GDA0003397180780000072
Figure GDA0003397180780000073
并最终输出一个能够表征类别特征和目标物体的表征向量，作为整个编码器的输出结果向量。
S500、通过解码器，使用基于LSTM的历史信息残差连接技术对聚合输出的表征向量进行解码，历史信息来自编码器的输出结果以及编码器中的时序编码网络编码信息，残差连接则是在LSTM网络中每个解码时间步都会使用前两个时间步的解码输出，残差连接会有效增强解码器性能，使历史信息能得到充分地利用。
Figure GDA0003397180780000074
此处，α表示残差连接的可学习因素，它可以确定历史信息的重要性。
然后LSTM网络的解码信息通过一个全连接网络进行线性激活，最终将输出每个时间步的线性激活结果作为整个异构图聚合网络的输出结果，也就是目标物体从t+1至t+z的二维坐标信息(x,y)，从而对目标物体进行轨迹预测。
通过上述过程，可显著提升高密度的复合交通场景轨迹预测准确率。其中使用了自适应邻居选择器来自动选择邻居物体，然后构建并生成了异构图数据结构，该异构图会输入编码器进行特征的聚合，该编码器主要使用了两阶段聚合器来学习聚合的邻居特征，分别是物体聚合和类别聚合阶段，两阶段的聚合过程能避免单个神经网络的权重共享问题，不同的邻居类别会分别进行特征学习和表征，从而有效编码目标物体对不同类型的邻居物体的交互特征信息；随后，解码器使用了基于长短期记忆神经网络(LSTM)的历史信息残差连接技术来对编码结果进行解码，该解码器能有效增强对历史信息的感知能力，提高解码器与编码器之间的价值信息传递效能，并输出高精度的目标物体的轨迹预测结果。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (7)

1.一种基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，包括以下步骤：
S100、构建异构图聚合网络，将场景探测范围内所有物体的历史轨迹时序信息作为网络的输入特征，该历史轨迹时序信息包含指定历史时间段内所有物体的二维坐标特征、物体自身的大小特征以及物体所属的类别特征；
S200、使用全局注意力机制为邻居物体分别进行权重分配，使每个邻居物体都获得一个权重得分，将每个邻居物体的权重得分乘以对应物体的原始特征信息得到新的特征，生成异构图结构；
S300、将所有物体按照类别特征分别进行嵌入编码，其中将物体的大小特征和坐标特征分开进行嵌入编码便于网络学习到不同特征的关键信息，然后将嵌入编码分别输入至LSTM时序编码网络中对各个类别特征和目标物体进行时序编码；其中利用LSTM时序编码网络进行时序编码采用如下公式：
Figure FDA0003397180770000011
Figure FDA0003397180770000012
其中，
Figure FDA0003397180770000013
和
Figure FDA0003397180770000014
分别表示t时刻所有的邻居节点和目标物体节点的隐藏状态，
Figure FDA0003397180770000015
和
Figure FDA0003397180770000016
表示相应LSTM的参数，c表示类别特征，τ表示预测目标物体，esz，τ和esz，c分别表示预测目标物体和第c类物体面积特征的嵌入编码向量，
Figure FDA0003397180770000017
和
Figure FDA0003397180770000018
分别表示预测目标物体和第c类物体在t时刻的空间特征嵌入编码向量；
S400、将时序编码结果输入两阶段聚合器中，依次进行物体聚合和类别聚合，输出一个能够表征类别特征和目标物体的表征向量；其中，第一阶段聚合器使用多头注意力机制对各类型特征的邻居物体分别进行聚合，用单个表征向量来表征多个物体的类别特征向量；第二阶段聚合器将用来表征多个物体的类别特征向量的单个表征向量与目标物体的向量进行类别聚合，输出用于表征类别特征和目标物体的单个表征向量；
S500、使用基于LSTM的历史信息残差连接技术对聚合输出的表征向量进行解码，然后通过全连接网络进行线性激活，最终将输出每个时间步的线性激活结果作为整个异构图聚合网络的输出，对目标物体进行轨迹预测。
2.根据权利要求1所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述物体所属的类别特征包括汽车、行人和自行车。
3.根据权利要求1所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S200中邻居物体的权重得分Si计算公式为：
Si＝attention((fτ，fi))
其中，attention是使用Softmax激活函数的全局注意机制，fi是在时间间隔内候选相邻物体的特征，fτ是预测目标的特征。
4.根据权利要求3所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S200中生成异构图结构包含目标物体节点和所有的邻居节点，每个节点代表物体的特征信息，每个邻居节点只与目标物体节点有关联边，且边权重为权重得分。
5.根据权利要求1～4任一项所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S400中采用均值相加和残差连接技术对于该用来表征多个物体的类别特征向量的单个表征向量进行处理，增强其表征能力。
6.根据权利要求5所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S500中解码时历史信息来自编码聚合的输出结果和编码时LSTM时序编码网络的编码信息。
7.根据权利要求6所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S500中残差连接在LSTM网络中每个解码时间步都使用前两个时间步的解码输出。
CN202110422670.2A 2021-04-15 2021-04-15 一种基于异构图聚合网络的高密度复合场景轨迹预测方法 Active CN113191539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110422670.2A CN113191539B (zh) 2021-04-15 2021-04-15 一种基于异构图聚合网络的高密度复合场景轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110422670.2A CN113191539B (zh) 2021-04-15 2021-04-15 一种基于异构图聚合网络的高密度复合场景轨迹预测方法

Publications (2)

Publication Number Publication Date
CN113191539A CN113191539A (zh) 2021-07-30
CN113191539B true CN113191539B (zh) 2022-03-15

Family

ID=76977565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110422670.2A Active CN113191539B (zh) 2021-04-15 2021-04-15 一种基于异构图聚合网络的高密度复合场景轨迹预测方法

Country Status (1)

Country Link
CN (1) CN113191539B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221971A (zh) * 2022-07-28 2022-10-21 上海人工智能创新中心 一种基于异质图的轨迹预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679585A (zh) * 2017-09-27 2018-02-09 清华大学 基于时间残差长短时记忆网络的阿拉伯文识别方法及系统
CN110502627A (zh) * 2019-08-28 2019-11-26 上海海事大学 一种基于多层Transformer聚合编码器的答案生成方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
CN112418409A (zh) * 2020-12-14 2021-02-26 南京信息工程大学 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10296012B2 (en) * 2016-12-21 2019-05-21 X Development Llc Pre-computation of kinematically feasible roadmaps
CN113056749B (zh) * 2018-09-11 2024-05-24 辉达公司 用于自主机器应用的未来对象轨迹预测
CN110569437B (zh) * 2019-09-05 2022-03-04 腾讯科技（深圳）有限公司 点击概率预测、页面内容推荐方法和装置
US11702105B2 (en) * 2020-06-27 2023-07-18 Intel Corporation Technology to generalize safe driving experiences for automated vehicle behavior prediction
CN111897974B (zh) * 2020-08-12 2024-04-16 吉林大学 一种基于多层注意力机制的异质知识图谱学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679585A (zh) * 2017-09-27 2018-02-09 清华大学 基于时间残差长短时记忆网络的阿拉伯文识别方法及系统
CN110502627A (zh) * 2019-08-28 2019-11-26 上海海事大学 一种基于多层Transformer聚合编码器的答案生成方法
CN110516888A (zh) * 2019-09-02 2019-11-29 重庆紫光华山智安科技有限公司 轨迹预测方法、装置、电子设备和计算机可读存储介质
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
CN112418409A (zh) * 2020-12-14 2021-02-26 南京信息工程大学 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LSTGHP：基于分层时空图的异构代理轨迹分布预测;张雪翔等;《软件》;20190915;第41卷(第9期);第36-42页 *
TraPHic: Trajectory Prediction in dense and Heterogeneous Traffic Using Weighted Interactions;Rohan Chandra等;《2019 IEEE/CVF Conference on computer Vision and Pattern Recognition》;20200109;全文 *
基于自编码器的旅行同伴挖掘;李小昌等;《华东师范大学学报(自然科学版)》;20200925(第05期);第179-188页 *
轨迹大数据:数据、应用与技术现状;许佳捷等;《通信学报》;20151231;第36卷(第12期);第97-105页 *

Also Published As

Publication number Publication date
CN113191539A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN111931905B (zh) 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN111930110A (zh) 一种结合社会生成对抗网络的意图轨迹预测方法
He et al. Rail transit obstacle detection based on improved CNN
CN115049009A (zh) 基于语义融合表征的轨迹预测方法
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN114169241A (zh) 一种端到端的多目标识别、追踪与预测方法
CN114372570A (zh) 一种多模态车辆轨迹预测方法
CN113191539B (zh) 一种基于异构图聚合网络的高密度复合场景轨迹预测方法
CN115829171A (zh) 一种联合时空信息和社交互动特征的行人轨迹预测方法
CN116050245A (zh) 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统
CN113159403A (zh) 路口行人轨迹预测的方法及装置
Kawasaki et al. Multimodal trajectory predictions for autonomous driving without a detailed prior map
Sharma et al. Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout
Meng et al. Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow
CN117522920A (zh) 一种基于改进时空图注意力网络的行人轨迹预测方法
CN115631629B (zh) 一种基于轨迹预测的城市动态车辆云构建方法及系统
US20230169313A1 (en) Method for Determining Agent Trajectories in a Multi-Agent Scenario
CN116331259A (zh) 一种基于半监督模型的车辆多模态轨迹预测方法
CN115331460A (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
Li et al. Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios
Sun et al. MMH-STA: A Macro-Micro-Hierarchical Spatio-Temporal Attention Method for Multi-Agent Trajectory Prediction in Unsignalized Roundabouts
CN112885079B (zh) 一种基于全局注意力和状态共享的车辆轨迹预测方法
Xu et al. Vehicle trajectory prediction considering multi-feature independent encoding
CN114312831B (zh) 一种基于空间注意力机制的车辆轨迹预测方法
CN116069879B (zh) 一种预测行人轨迹的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant