CN113569980A - 一种复杂环境下的行人移动轨迹在线预测方法及系统 - Google Patents

一种复杂环境下的行人移动轨迹在线预测方法及系统 Download PDF

Info

Publication number
CN113569980A
CN113569980A CN202110922275.0A CN202110922275A CN113569980A CN 113569980 A CN113569980 A CN 113569980A CN 202110922275 A CN202110922275 A CN 202110922275A CN 113569980 A CN113569980 A CN 113569980A
Authority
CN
China
Prior art keywords
pedestrian
track
movement
historical
pedestrians
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.)
Granted
Application number
CN202110922275.0A
Other languages
English (en)
Other versions
CN113569980B (zh
Inventor
李秋萍
吴飒莎
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110922275.0A priority Critical patent/CN113569980B/zh
Publication of CN113569980A publication Critical patent/CN113569980A/zh
Application granted granted Critical
Publication of CN113569980B publication Critical patent/CN113569980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种复杂环境下的行人移动轨迹在线预测方法及系统，该方法包括：基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；根据行人历史轨迹提取行人多维度移动特征；基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹。该系统包括：数据获取模块、特征提取模块、模型训练模块和预测模块。通过使用本发明，能够提高轨迹预测的准确率，降低智能移动设备与周围行人碰撞的风险。本发明作为一种复杂环境下的行人移动轨迹在线预测方法及系统，可广泛应用于智能交通领域。

Description

一种复杂环境下的行人移动轨迹在线预测方法及系统
技术领域
本发明属于智能交通领域，尤其涉及一种复杂环境下的行人移动轨迹在线预测方法及系统。
背景技术
随着计算机技术、传感器技术、人工智能和5G通讯技术的迅速发展，智能交通系统和智能化移动设备的应用逐渐普及。自动驾驶汽车安装了大量传感器，能够实时探测到周围一定范围内的行人。准确的行人轨迹预测对自动驾驶系统至关重要，它可以帮助系统在车辆行驶过程中正确地进行决策，如刹车、减速、转弯或直行。目前，行人轨迹预测模型以离线模型为主，即模型建立或者训练好之后就固定不变，离线模型不会随新的输入数据动态调整。然而，行人移动的随机性大、动态性强，离线模型因此很难应对实时动态预测的需求。
发明内容
为了解决上述技术问题，本发明的目的是提供一种复杂环境下的行人移动轨迹在线预测方法及系统，提高轨迹预测的准确率，降低智能移动设备与周围行人碰撞的风险。
本发明所采用的第一技术方案是：一种复杂环境下的行人移动轨迹在线预测方法，包括以下步骤：
基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
根据行人历史轨迹提取行人多维度移动特征；
基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹；
所述行人多维度移动特征包括位置特征、速度特征、加速度特征和阻力特征。
进一步，所述基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹这一步骤，其具体包括：
基于智能移动设备探测一定时间内的行人位置数据；
以T＝{(x1，y1，t1),,...,(xi，yi，ti),...,(xn，yn，tn)}三元组集合的形式表达每一个行人在一段时间内的运动轨迹，得到行人历史数据。
进一步，所述根据行人历史轨迹提取行人多维度移动特征这一步骤，其具体包括：
根据行人历史轨迹提取位置特征、速度特征、加速度特征和阻力特征；
所述位置特征包括行人当前位置的x坐标、行人当前位置的y坐标和对应的时刻t，所述速度特征包括行人当前运动速度大小和行人当前运动速度方向，所述加速度特征包括行人加速度大小和行人加速度方向，所述阻力特征包括行人运动阻力大小和行人运动阻力方向；
根据位置特征中相邻位置点的距离和时间间隔计算行人运动速度大小；
根据位置特征中相邻位置点的偏移计算行人运动速度方向；
根据相邻位置点的行人运动速度大小和时间间隔计算行人运动加速度大小；
根据行人运动速度大小和行人运动速度方向计算行人运动加速度方向；
根据可视域内其他行人及障碍物与当前行人的距离计算行人运动阻力大小和行人运动阻力方向。
进一步，所述行人运动速度大小的计算公式如下：
Figure BDA0003207854160000021
上式中，v(n)value为目标行人在n时刻的运动速度大小，(xn,yn)为目标行人在n时刻的位置，(xn-1,yn-1)为目标行人在n-1时刻的位置，Δt为行人连续两个位置点间的时间间隔。
进一步，所述行人运动速度方向的计算公式如下：
Figure BDA0003207854160000022
上式中，v(n)direction表示目标行人在n时刻运动速度方向。
进一步，所述行人运动加速度大小的计算公式如下：
Figure BDA0003207854160000023
上式中，a(n)value表示目标行人在n时刻的运动加速度大小，v(x)n和v(y)n分别为目标行人在n时刻的运动速度沿x轴和y轴方向的速度分量，v(x)n-1和v(y)n-1分别为目标行人在n-1时刻的运动速度沿x轴和y轴方向的速度分量，sgn为符号函数，取值{-1,0,1}。
进一步，所述行人运动加速度方向的计算公式如下：
Figure BDA0003207854160000024
上式中，a(n)direction表示目标行人在n时刻的运动加速度方向。
进一步，所述基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型这一步骤，其具体包括：
以行人多维度移动特征为特征集，行人历史轨迹中下一时刻位置为结果集，对支持向量回归模型进行训练，建立特征集和结果集之间的映射关系，并预测k+1时刻的行人位置，k表示训练窗口大小；
计算每个目标行人在k+1时刻预测位置与真实位置的误差；
基于网格搜索法选择最优训练窗口和参数组合，得到轨迹预测模型。
本发明所采用的第二技术方案是：一种复杂环境下的行人移动轨迹在线预测系统，包括以下模块：
数据获取模块，基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
特征提取模块，用于根据行人历史轨迹提取行人多维度移动特征；
模型训练模块，基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
预测模块，用于动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹。
本发明方法及系统的有益效果是：本发明不断将行人位置数据输入至模型，动态调整更新预测模型内部参数，从而实现对复杂环境下行人未来轨迹的预测，解决在输入数据的分布特征发生变化时离线预测模型预测效果差、适用性不强的问题。
附图说明
图1是本发明一种复杂环境下的行人移动轨迹在线预测方法的步骤流程图；
图2是本发明具一种复杂环境下的行人移动轨迹在线预测系统的结构框图；
图3是本发明具体实施例行人多维度移动特征提取示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明提供了一种复杂环境下的行人移动轨迹在线预测方法，该方法包括以下步骤：
基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
根据行人历史轨迹提取行人多维度移动特征；
基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹；
所述行人多维度移动特征包括位置特征、速度特征、加速度特征和阻力特征。
进一步作为本方法的优选实施例，所述基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹这一步骤，其具体包括：
基于智能移动设备探测一定时间内的行人位置数据；
以T＝{(x1，y1，t1),...,(xi，yi，ti),...,(xn，yn，tn)}三元组集合的形式表达每一个行人在一段时间内的运动轨迹，得到行人历史数据。
进一步作为本方法优选实施例，所述根据行人历史轨迹提取行人多维度移动特征这一步骤，参照图3，其具体包括：
根据行人历史轨迹提取位置特征、速度特征、加速度特征和阻力特征；
所述位置特征包括行人当前位置的x坐标、行人当前位置的y坐标和对应的时刻t，所述速度特征包括行人当前运动速度大小和行人当前运动速度方向，所述加速度特征包括行人加速度大小和行人加速度方向，所述阻力特征包括行人运动阻力大小和行人运动阻力方向；
根据位置特征中相邻位置点的距离和时间间隔计算行人运动速度大小；
具体地，所述行人运动速度大小的计算公式如下：
Figure BDA0003207854160000041
上式中，v(n)value为目标行人在n时刻的运动速度大小，(xn,yn)为目标行人在n时刻的位置，(xn-1,yn-1)为目标行人在n-1时刻的位置，Δt为行人连续两个位置点间的时间间隔。
根据位置特征中相邻位置点的偏移计算行人运动速度方向；
具体地，所述行人运动速度方向的计算公式如下：
Figure BDA0003207854160000042
上式中，v(n)value表示目标行人在n时刻的运动速度大小，(xn,yn)表示目标行人在n时刻的位置，(xn-1,yn-1)表示目标行人在n-1时刻的位置，Δt为行人连续两个位置点间的时间间隔。
根据相邻位置点的行人运动速度大小和时间间隔计算行人运动加速度大小；
具体地，所述行人运动加速度大小的计算公式如下：
Figure BDA0003207854160000043
上式中，a(n)value表示目标行人在n时刻的运动加速度大小，v(x)n和v(y)n分别为目标行人在n时刻的运动速度沿x轴和y轴方向的速度分量，v(x)n-1和v(y)n-1分别为目标行人在n-1时刻的运动速度沿x轴和y轴方向的速度分量，sgn为符号函数，取值{-1,0，1}。
根据行人运动速度大小和行人运动速度方向计算行人运动加速度方向；
具体地，所述行人运动加速度方向的计算公式如下：
Figure BDA0003207854160000051
上式中，a(n)direction表示目标行人在n时刻的运动加速度方向。
根据可视域内其他行人及障碍物与当前行人的距离计算行人运动阻力大小和行人运动阻力方向。
行人运动过程中会有一个可视域范围，如图3所示。通常设置为行人前进方向135°夹角且半径为10米的范围。在行人a可视域内的其他行人b和障碍物c会对行人a的运动产生阻碍。阻力的大小与行人b和障碍物c到行人a之间的距离密切相关，距离越近，则阻力越强。根据距离的反比来确定阻力的大小，并通过矢量求和得到可视域范围内行人b和障碍物c产生的阻力总和。可以表达为：
Figure BDA0003207854160000052
上式中，neibour(n)size为在n时刻行人a的可视域内的全部行人及障碍物对其产生的阻力的大小，
Figure BDA0003207854160000053
为在行人a可视域范围内的其他行人或障碍物i的坐标位置，num为n时刻行人a可视域内的全部行人及障碍物总数。
阻力方向的计算公式如下：
Figure BDA0003207854160000054
上式中，neibour(n)direction为目标行人在n时刻的可视域范围内全部行人及障碍物所产生的阻力的方向。
进一步作为本发明优选实施例，所述基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型这一步骤，其具体包括：
以行人多维度移动特征为特征集，行人历史轨迹中下一时刻位置为结果集，对支持向量回归模型进行训练，建立特征集和结果集之间的映射关系，并预测k+1时刻的行人位置，k表示训练窗口大小；
计算每个目标行人在k+1时刻预测位置与真实位置的误差；
基于网格搜索法选择最优训练窗口和参数组合，得到轨迹预测模型。
根据已知的有限数据，分别设置不同的窗口大小。假设训练窗口大小为k，则输入的训练数据中特征集为P＝{xi,yi,ti,vi_value,vi_direction,ai_value,ai_direction,neibouri_value,neibouri_direction}，结果集为Y＝{xi+1,yi+1},i＝1,2,3,...,k。对模型进行训练，建立特征集和结果集之间的映射关系，并预测k+1时刻的行人位置。
针对每种不同的窗口大小k，计算每个目标行人在k+1时刻和预测位置与其真实位置的误差。选择让该数据集中全部行人的平均位置误差更低的窗口大小值k_best作为最优窗口。平均位置误差是该数据集中每个行人的预测位置与真实位置之间的均方误差，其计算公式为：
Figure BDA0003207854160000061
其中，N为数据集行人总数，
Figure BDA0003207854160000062
为行人i在t时刻的预测位置坐标，
Figure BDA0003207854160000063
为行人i在t时刻的真实位置坐标。
设定在线支持向量机模型的参数C、ε、γ的取值范围，利用网格搜索法为轨迹预测模型优选一组预测平均位置误差最小的参数值组合。
进一步作为本发明优选实施例，所述动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹这一步骤，其具体包括：
调用训练好的行人轨迹在线预测模型，为每个行人输入由长度为k_best的轨迹序列构建的9个移动特征，输出层为下一个时刻的行人预测位置。假设当前时刻为t，长度为k_best的轨迹序列表示为：
S1＝{(xt-k_best+1，yt-k_best+1,tt-k_best+1),...,(xt-1,yt-1,tt-1),(xt,yt,tt)}
智能移动设备在行进过程中会连续不断地采集周围的行人位置数据，随着时间推进，新的行人位置数据不断输入进来。当新输入的行人位置数据(xt+1,yt+1，tt+1)作为新样本增加到样本集时，将最早输入的行人位置数据样本删除，以保持训练窗口大小不变，表示为：
S2＝{(xt-k_best+2，yt-k_best++2，tt-k_best+1+2)，...，(xt，yt，tt)，(xt+1，yt+1，tt+1)}
在线更新机制会根据新的输入数据，调整模型内部参数使得所有样本均满足KKT条件，即原问题与新问题呈强对偶关系。这样在新的输入数据和训练样本数据的分布特征存在明显差异时，也不需要重新训练模型。模型将样本训练集T分为支持集(Support集)、保持集(Remaining集)和错误集(Error集)三个子集。当训练集T中新增样本时，这个新增的样本会加入上述三个集合中的某一集合中，这样原本三个集合中的样本可能会根据需要发生移动变化，同时模型内部参数θj、Qij和b不断更新，从而实现对模型的在线调整，使得在不重新训练模型的情况下对目标行人的轨迹仍能进行有效预测。
最后，根据调整后的模型，预测轨迹S2的下一个位置(xt+2，yt+2)。
如图2所示，一种复杂环境下的行人移动轨迹在线预测系统，包括以下模块：
数据获取模块，基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
特征提取模块，用于根据行人历史轨迹提取行人多维度移动特征；
模型训练模块，基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
预测模块，用于动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹。
上述系统实施例中的内容均适用于本方法实施例中，本方法实施例所具体实现的功能与上述系统实施例相同，并且达到的有益效果与上述系统实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，包括以下步骤：
基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
根据行人历史轨迹提取行人多维度移动特征；
基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹；
所述行人多维度移动特征包括位置特征、速度特征、加速度特征和阻力特征。
2.根据权利要求1所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹这一步骤，其具体包括：
基于智能移动设备探测一定时间内的行人位置数据；
以T＝{(x1，y1，t1),...,(xi，yi，ti),...,(xn，yn，tn)}三元组集合的形式表达每一个行人在一段时间内的运动轨迹，得到行人历史数据。
3.根据权利要求2所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述根据行人历史轨迹提取行人多维度移动特征这一步骤，其具体包括：
根据行人历史轨迹提取位置特征、速度特征、加速度特征和阻力特征；
所述位置特征包括行人当前位置的x坐标、行人当前位置的y坐标和对应的时刻t，所述速度特征包括行人当前运动速度大小和行人当前运动速度方向，所述加速度特征包括行人加速度大小和行人加速度方向，所述阻力特征包括行人运动阻力大小和行人运动阻力方向；
根据位置特征中相邻位置点的距离和时间间隔计算行人运动速度大小；
根据位置特征中相邻位置点的偏移计算行人运动速度方向；
根据相邻位置点的行人运动速度大小和时间间隔计算行人运动加速度大小；
根据行人运动速度大小和行人运动速度方向计算行人运动加速度方向；
根据可视域内其他行人及障碍物与当前行人的距离计算行人运动阻力大小和行人运动阻力方向。
4.根据权利要求3所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述行人运动速度大小的计算公式如下：
Figure FDA0003207854150000011
上式中，v(n)value表示目标行人在n时刻的运动速度大小，(xn，yn)表示目标行人在n时刻的位置，(xn-1，yn-1)表示目标行人在n-1时刻的位置，Δt为行人连续两个位置点间的时间间隔。
5.根据权利要求4所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述行人运动速度方向的计算公式如下：
Figure FDA0003207854150000021
上式中，v(n)direction表示目标行人在n时刻运动速度方向。
6.根据权利要求5所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述行人运动加速度大小的计算公式如下：
Figure FDA0003207854150000022
上式中，a(n)value表示目标行人在n时刻的运动加速度大小，v(x)n和v(y)n分别为目标行人在n时刻的运动速度沿x轴和y轴方向的速度分量，v(x)n-1和v(y)n-1分别为目标行人在n-1时刻的运动速度沿x轴和y轴方向的速度分量，sgn为符号函数，取值{-1,0,1}。
7.根据权利要求6所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述行人运动加速度方向的计算公式如下：
Figure FDA0003207854150000023
上式中，a(n)direction表示目标行人在n时刻的运动加速度方向。
8.根据权利要求7所述一种复杂环境下的行人移动轨迹在线预测方法，其特征在于，所述基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型这一步骤，其具体包括：
以行人多维度移动特征为特征集，行人历史轨迹中下一时刻位置为结果集，对支持向量回归模型进行训练，建立特征集和结果集之间的映射关系，并预测k+1时刻的行人位置，k表示训练窗口大小；
计算每个目标行人在k+1时刻预测位置与真实位置的误差；
基于网格搜索法选择最优训练窗口和参数组合，得到轨迹预测模型。
9.一种复杂环境下的行人移动轨迹在线预测系统，其特征在于，包括以下模块：
数据获取模块，基于智能移动设备探测一定时间内的行人位置数据，得到行人历史轨迹；
特征提取模块，用于根据行人历史轨迹提取行人多维度移动特征；
模型训练模块，基于行人多维度移动特征和行人历史轨迹训练支持向量回归模型，得到轨迹预测模型；
预测模块，用于动态更新轨迹预测模型的参数并基于轨迹预测模型预测行人未来时刻的轨迹。
CN202110922275.0A 2021-08-12 2021-08-12 一种复杂环境下的行人移动轨迹在线预测方法及系统 Active CN113569980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922275.0A CN113569980B (zh) 2021-08-12 2021-08-12 一种复杂环境下的行人移动轨迹在线预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922275.0A CN113569980B (zh) 2021-08-12 2021-08-12 一种复杂环境下的行人移动轨迹在线预测方法及系统

Publications (2)

Publication Number Publication Date
CN113569980A true CN113569980A (zh) 2021-10-29
CN113569980B CN113569980B (zh) 2023-09-01

Family

ID=78171443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922275.0A Active CN113569980B (zh) 2021-08-12 2021-08-12 一种复杂环境下的行人移动轨迹在线预测方法及系统

Country Status (1)

Country Link
CN (1) CN113569980B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312829A (zh) * 2021-12-06 2022-04-12 广州文远知行科技有限公司 一种行人轨迹预测方法和装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414365A (zh) * 2019-07-03 2019-11-05 上海交通大学 基于社会力模型的过街行人轨迹预测方法、系统及介质
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统
CN111767475A (zh) * 2020-03-20 2020-10-13 吉利汽车研究院（宁波）有限公司 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414365A (zh) * 2019-07-03 2019-11-05 上海交通大学 基于社会力模型的过街行人轨迹预测方法、系统及介质
CN111767475A (zh) * 2020-03-20 2020-10-13 吉利汽车研究院（宁波）有限公司 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质
CN111459168A (zh) * 2020-04-23 2020-07-28 上海交通大学 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312829A (zh) * 2021-12-06 2022-04-12 广州文远知行科技有限公司 一种行人轨迹预测方法和装置、电子设备及存储介质
CN114312829B (zh) * 2021-12-06 2024-04-23 广州文远知行科技有限公司 一种行人轨迹预测方法和装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113569980B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
US11726477B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
US11348339B2 (en) Association and tracking for autonomous devices
CN110007675B (zh) 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法
CN105892471B (zh) 汽车自动驾驶方法和装置
CN111873998B (zh) 一种自动驾驶车辆纵向加速度规划方法
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN112053589B (zh) 一种目标车辆换道行为自适应识别模型构建方法
CN110456634B (zh) 一种基于人工神经网络的无人车控制参数选取方法
CN109466552B (zh) 智能驾驶车道保持方法及系统
CN103454919A (zh) 智能空间中移动机器人的运动控制系统及方法
Yoganandhan et al. Fundamentals and development of self-driving cars
CN114212110B (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN114462667A (zh) 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法
CN112810619A (zh) 基于雷达的辅助驾驶系统前方目标车辆识别方法
CN113942524A (zh) 一种车辆行驶控制方法、系统及计算机可读存储介质
CN115158364A (zh) 一种自动驾驶汽车对周车驾驶意图和轨迹联合预测的方法
CN115523934A (zh) 一种基于深度学习的车辆轨迹预测方法及系统
CN113569980B (zh) 一种复杂环境下的行人移动轨迹在线预测方法及系统
CN114442630A (zh) 一种基于强化学习和模型预测的智能车规划控制方法
WO2022115216A2 (en) Method and system for determining a mover model for motion forecasting in autonomous vehicle control
Tahir et al. Image recognition based autonomous driving: a deep learning approach
Zhang et al. A convolutional neural network method for self-driving cars
CN111160089A (zh) 一种基于不同车辆类型的轨迹预测系统及方法
Misawa et al. Prediction of driving behavior based on sequence to sequence model with parametric bias
CN113763434B (zh) 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法

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