WO2021180130A1 - 轨迹预测 - Google Patents
轨迹预测 Download PDFInfo
- Publication number
- WO2021180130A1 WO2021180130A1 PCT/CN2021/080016 CN2021080016W WO2021180130A1 WO 2021180130 A1 WO2021180130 A1 WO 2021180130A1 CN 2021080016 W CN2021080016 W CN 2021080016W WO 2021180130 A1 WO2021180130 A1 WO 2021180130A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- target object
- trajectory
- value
- trajectory data
- historical
- Prior art date
Links
- 239000013598 vector Substances 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 83
- 238000012512 characterization method Methods 0.000 claims description 102
- 239000011159 matrix material Substances 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 63
- 230000003993 interaction Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 44
- 230000007613 environmental effect Effects 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 21
- 230000011273 social behavior Effects 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Definitions
- the network parameters of at least one of the decoding network, the first coding network, and the second coding network can be adjusted inversely.
- the prediction processing module 53 is specifically configured to obtain the predicted trajectory of the target object in a third time period after the first time period according to the individual characterization vector and the group characterization vector of the target object.
- the interactive obtaining submodule 522 is configured to obtain the interactive relationship value between two objects in the object set according to the multiple relationship matrices in the update process.
- the object set includes a target object and at least one associated object; the interaction relationship value is used to characterize the correlation degree of walking behavior between the two objects.
- Computers suitable for executing computer programs include, for example, general-purpose and/or special-purpose microprocessors, or any other type of central processing unit.
- the central processing unit will receive instructions and data from a read-only memory and/or a random access memory.
- the basic components of a computer include a central processing unit for implementing or executing instructions and one or more memory devices for storing instructions and data.
- a computer will also include one or more mass storage devices for storing data, such as magnetic disks, magneto-optical disks, or optical disks, or the computer will be operatively coupled to this mass storage device to receive data from or send data to it. It transmits data, or both.
- the computer does not have to have such equipment.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
Description
Claims (21)
- 一种轨迹预测方法,包括:根据目标对象的历史轨迹数据,得到所述目标对象的个体表征向量;基于所述目标对象的历史轨迹数据、以及与所述目标对象在同一场景中的至少一个关联对象的历史轨迹数据,获得所述目标对象的群体表征向量;根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象的预测轨迹。
- 根据权利要求1所述的方法,其特征在于,所述群体表征向量用于表示所述至少一个关联对象对所述目标对象的行为影响,所述目标对象的历史轨迹数据包括所述目标对象在第一时间段内的历史轨迹数据;所述至少一个关联对象的历史轨迹数据包括所述至少一个关联对象在第二时间段内的历史轨迹数据,所述第二时间段与所述第一时间段至少部分重叠;根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象的预测轨迹,包括:根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象在所述第一时间段之后的第三时间段内的预测轨迹。
- 根据权利要求2所述的方法,其特征在于,根据目标对象的历史轨迹数据,得到目标对象的个体表征向量,包括:获取所述目标对象对应的环境信息的集合,所述集合包括分别对应不同时刻的多个环境信息,所述环境信息包括涉及所述目标对象的图像帧中预定区域的图像内容,所述预定区域包括所述目标对象在所述图像帧中的轨迹坐标;根据所述环境信息的集合,得到所述目标对象的环境特征;根据所述目标对象在所述第一时间段内的历史轨迹数据,得到所述目标对象的轨迹特征;将所述环境特征与所述轨迹特征进行拼接,得到所述目标对象的个体表征向量。
- 根据权利要求3所述的方法,其特征在于,所述目标对象的历史轨迹数据包括所述目标对象在全局坐标系下的多个轨迹坐标;所述方法还包括:在根据所述目标对象在所述第一时间段内的历史轨迹数据,得到所述目标对象的轨迹特征之前,将所述历史轨迹数据由全局坐标系转换至个体相对坐标系,所述个体相对坐标系以所述目标对象的历史轨迹数据中的初始轨迹点为原点。
- 根据权利要求3所述的方法,其特征在于,根据所述目标对象在所述第一时间段内的历史轨迹数据,得到所述目标对象的轨迹特征,包括:通过编码网络对所述目标对象在第一时间段内的历史轨迹数据进行编码,得到所述目标对象的轨迹特征。
- 根据权利要求5所述的方法,其特征在于,所述编码网络包括双向长短期记忆网络LSTM。
- 根据权利要求1至6中任一所述的方法,其特征在于,基于所述目标对象的历史轨迹数据、以及所述至少一个关联对象的历史轨迹数据,获得所述目标对象的群体表征向量,包括:根据所述目标对象的历史轨迹数据以及所述至少一个关联对象的历史轨迹数据,得到特征矩阵;将所述特征矩阵分别通过不同的全连接层映射到多个函数空间后,进行关系获取处理得到关系矩阵;将所述关系矩阵和所述特征矩阵进行融合,得到更新后的特征矩阵;根据所述更新后的特征矩阵继续更新所述关系矩阵,直至达到预设的更新停止条件;根据更新过程中的多个所述关系矩阵,得到对象集合中的两两对象之间的交互关系值,所述对象集合包括所述目标对象及所述至少一个关联对象,所述交互关系值用于表征所述两两对象之间的行走行为相关程度;根据所述交互关系值确定所述目标对象的群体表征向量。
- 根据权利要求7所述的方法,其特征在于,根据所述交互关系值确定所述目标对象的群体表征向量,包括:根据所述交互关系值,生成递归社会行为图,所述递归社会行为图中包括多个节点且任两个所述节点之间具有连接边,每一个所述节点对应所述对象集合中的一个对象,所述节点的取值是所述节点所对应的对象的历史轨迹数据,所述连接边的取值是所述连接边所连接的两个节点间的交互关系值;对所述递归社会行为图进行卷积处理,得到所述目标对象对应的节点的取值作为所述目标对象的群体表征向量。
- 根据权利要求1~8任一所述的方法,其特征在于,得到所述目标对象的个体表征向量,包括:通过第一编码网络根据所述历史轨迹数据得到个体表征向量;获得所述目标对象的群体表征向量,包括:通过第二编码网络获得所述目标对象的群体表征向量;根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象的预测轨迹,包括:根据解码网络得到所述预测轨迹;所述方法还包括:在得到所述目标对象的预测轨迹之后,根据所述预测轨迹的预测值与真实值获得第一损失函数值,所述第一损失函数值根据指数均方误差损失函数得到;根据所述第一损失函数值,调整所述解码网络、所述第一编码网络和所述第二编码网络中至少一个网络的网络参数。
- 根据权利要求9所述的方法,其特征在于,所述第二编码网络包括图生成器,所述图生成器用于根据所述目标对象的历史轨迹数据以及所述至少一个关联对象的历史轨迹数据,得到对象集合中的两两对象之间的交互关系值,所述对象集合包括所述目标对象与所述至少一个关联对象,所述交互关系值用于表征所述两两对象之间的行走行为相关程度;所述方法还包括:获取所述交互关系值的预测值与标签值之间的第二损失函数值,所述交互关系值的标签值用于表示所述交互关系值对应的两个对象间的行走行为相关程度是否满足预设相关条件;根据所述第二损失函数值,调整所述图生成器中的网络参数。
- 根据权利要求1~10任一所述的方法,其特征在于,所述方法还包括:在得到所述目标对象的预测轨迹之后,若所述目标对象的实际轨迹与所述预测轨迹不匹配,确定所述目标对象行为异常。
- 根据权利要求1~10任一所述的方法,还包括:在得到所述目标对象的预测轨迹之后,按照所述目标对象的预测轨迹进行路径规划。
- 一种轨迹预测装置,包括:个体表征模块,用于根据目标对象的历史轨迹数据,得到所述目标对象的个体表征向量;群体表征模块,用于基于所述目标对象的历史轨迹数据、以及与所述目标对象在同一场景的至少一个关联对象的历史轨迹数据,获得所述目标对象的群体表征向量;预测处理模块,用于根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象的预测轨迹。
- 根据权利要求13所述的装置,其特征在于,所述群体表征向量用于表示所述至少一个关联对象对所述目标对象的行为影响,所述目标对象的历史轨迹数据包括所述目标对象在第一时间段内的历史轨迹数据;所述至少一个关联对象的历史轨迹数据包括所述至少一个关联对象在第二时间段内的历史轨迹数据,所述第二时间段与所述第一时间段至少部分重叠;所述预测处理模块具体用于根据所述目标对象的个体表征向量和群体表征向量,得到所述目标对象在所述第一时间段之后的第三时间段内的预测轨迹。
- 根据权利要求14所述的装置,其特征在于,所述个体表征模块包括:环境处理子模块,用于获取所述目标对象对应的环境信息的集合,所述集合包括分别对应不同时刻的多个环境信息,所述环境信息包括涉及所述目标对象的图像帧中预定区域的图像内容,所述预定区域包括所述目标对象在所述图像帧中的轨迹坐标;根据所述环境信息的集合,得到所述目标对象的环境特征;轨迹处理子模块,用于根据所述目标对象在所述第一时间段内的历史轨迹数据,得到所述目标对象的轨迹特征;融合处理子模块,用于将所述环境特征与所述轨迹特征进行拼接,得到所述目标对象的个体表征向量。
- 根据权利要求15所述的装置,其特征在于,所述目标对象的历史轨迹数据包括所述目标对象在全局坐标系下的多个轨迹坐标;所述装置还包括坐标转换模块,用于:在根据所述目标对象在所述第一时间段内的历史轨迹数据,得到所述目标对象的轨迹特征之前,将所述历史轨迹数据由全局坐标系转换至个体相对坐标系,所述个体相对坐标系以所述目标对象的历史轨迹数据中的初始轨迹点为原点。
- 根据权利要求13至16任一所述的装置,其特征在于,所述群体表征模块包括:关系获取子模块,用于:根据所述目标对象的历史轨迹数据以及所述至少一个关联对象的历史轨迹数据,得到特征矩阵;将所述特征矩阵分别通过不同的全连接层映射到多个函数空间后,进行关系获取处理得到关系矩阵;将所述关系矩阵和所述特征矩阵进行融合,得到更新后的特征矩阵;根据所述更新后的特征矩阵继续更新所述关系矩阵,直至达到预设的更新停止条件;交互获取子模块,用于根据更新过程中的多个所述关系矩阵,得到对象集合中的两两对象之间的交互关系值,所述对象集合包括所述目标对象及所述至少一个关联对象,所述交互关系值用于表征所述两两对象之间的行走行为相关程度;表征处理子模块,用于根据所述交互关系值确定所述目标对象的群体表征向量。
- 根据权利要求17所述的装置,其特征在于,所述表征处理子模块具体用于:根据所述交互关系值,生成递归社会行为图,所述递归社会行为图中包括多个节点且任两个所述节点之间具有连接边,每一个所述节点对应所述对象集合中的一个对象,所述节点的取值是所述节点所对应的对象的历史轨迹数据,所述连接边的取值是所述连接边所连接的两个节点间的交互关系值;对所述递归社会行为图进行卷积处理,得到所述目标对象对应的节点的取值作为所述目标对象的群体表征向量。
- 一种电子设备,其特征在于,包括:存储器,用于存储计算机可读指令;处理器,用于调用所述计算机可读指令,实现权利要求1至12任一所述的方法。
- 一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1至12任一所述的预测轨迹方法。
- 一种计算机程序,所述计算机程序存储在存储介质中,当处理器执行所述计算 机程序时,所述处理器用于执行权利要求1-12任一所述的预测轨迹方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020227018513A KR20220087561A (ko) | 2020-03-13 | 2021-03-10 | 궤적 예측 |
JP2022532611A JP2023503527A (ja) | 2020-03-13 | 2021-03-10 | 軌跡予測方法、軌跡予測装置、電子機器、記録媒体及びコンピュータプログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177302.1 | 2020-03-13 | ||
CN202010177302.1A CN111401233A (zh) | 2020-03-13 | 2020-03-13 | 轨迹预测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021180130A1 true WO2021180130A1 (zh) | 2021-09-16 |
Family
ID=71428717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/080016 WO2021180130A1 (zh) | 2020-03-13 | 2021-03-10 | 轨迹预测 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2023503527A (zh) |
KR (1) | KR20220087561A (zh) |
CN (1) | CN111401233A (zh) |
WO (1) | WO2021180130A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114379595A (zh) * | 2022-02-22 | 2022-04-22 | 无锡物联网创新中心有限公司 | 基于车辆行为特征与环境交互信息的车辆轨迹预测方法 |
CN114882426A (zh) * | 2022-04-06 | 2022-08-09 | 华中科技大学 | 一种基于语义一致性的轨迹预测方法及装置 |
CN115071762A (zh) * | 2022-08-22 | 2022-09-20 | 北京理工大学前沿技术研究院 | 面向城市场景下行人轨迹预测方法、模型及存储介质 |
CN118037764A (zh) * | 2024-02-01 | 2024-05-14 | 淮阴工学院 | 一种多摄像头的室内行人异常轨迹预警方法、装置及介质 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401233A (zh) * | 2020-03-13 | 2020-07-10 | 商汤集团有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN111798492B (zh) * | 2020-07-16 | 2024-04-19 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN111783738A (zh) * | 2020-07-29 | 2020-10-16 | 中国人民解放军国防科技大学 | 一种通信辐射源异常运动轨迹检测方法 |
CN111942407B (zh) * | 2020-07-31 | 2022-09-23 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN112541449A (zh) * | 2020-12-18 | 2021-03-23 | 天津大学 | 一种基于无人机航拍视角的行人轨迹预测方法 |
CN112785075B (zh) * | 2021-01-31 | 2022-11-25 | 江苏商贸职业学院 | 一种基于rfid定位的行人行为预测方法及系统 |
CN113033364B (zh) * | 2021-03-15 | 2024-06-14 | 商汤集团有限公司 | 轨迹预测方法、行驶控制方法、装置、电子设备及存储介质 |
CN113177470B (zh) * | 2021-04-28 | 2022-11-01 | 华中科技大学 | 行人轨迹预测方法、装置、设备及存储介质 |
CN113360094B (zh) * | 2021-06-04 | 2022-11-01 | 重庆紫光华山智安科技有限公司 | 数据预测方法和装置、电子设备及存储介质 |
CN113715814B (zh) * | 2021-09-02 | 2023-03-21 | 北京百度网讯科技有限公司 | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 |
CN114154687A (zh) * | 2021-11-17 | 2022-03-08 | 泰康保险集团股份有限公司 | 一种轨迹预测方法、装置、电子设备及存储介质 |
CN114722232B (zh) * | 2022-04-18 | 2023-12-12 | 北京航迹科技有限公司 | 预测运动轨迹的方法、装置、设备和存储介质 |
CN115205330B (zh) * | 2022-06-17 | 2023-03-24 | 中关村科学城城市大脑股份有限公司 | 轨迹信息生成方法、装置、电子设备和计算机可读介质 |
CN115938053B (zh) * | 2022-12-06 | 2024-08-30 | 新疆天池能源有限责任公司 | 一种基于电子围栏的人员运动轨迹预测系统及其预测方法 |
CN117556376B (zh) * | 2024-01-11 | 2024-04-30 | 宁波朗达工程科技有限公司 | 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558961A (zh) * | 2017-09-25 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 确定位置信息的方法和系统、存储介质、处理器以及装置 |
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 |
CN110610271A (zh) * | 2019-09-17 | 2019-12-24 | 北京理工大学 | 一种基于长短记忆网络的多重车辆轨迹预测方法 |
CN111401233A (zh) * | 2020-03-13 | 2020-07-10 | 商汤集团有限公司 | 轨迹预测方法、装置、电子设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7001067B2 (ja) * | 2017-01-23 | 2022-01-19 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN107168342B (zh) * | 2017-07-12 | 2020-04-07 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN108537818B (zh) * | 2018-03-07 | 2020-08-14 | 上海交通大学 | 基于集群压力lstm的人群轨迹预测方法 |
CN109300144B (zh) * | 2018-09-21 | 2021-12-24 | 中国矿业大学 | 一种融合社会力模型和卡尔曼滤波的行人轨迹预测方法 |
-
2020
- 2020-03-13 CN CN202010177302.1A patent/CN111401233A/zh active Pending
-
2021
- 2021-03-10 WO PCT/CN2021/080016 patent/WO2021180130A1/zh active Application Filing
- 2021-03-10 JP JP2022532611A patent/JP2023503527A/ja not_active Withdrawn
- 2021-03-10 KR KR1020227018513A patent/KR20220087561A/ko not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558961A (zh) * | 2017-09-25 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 确定位置信息的方法和系统、存储介质、处理器以及装置 |
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 |
CN110610271A (zh) * | 2019-09-17 | 2019-12-24 | 北京理工大学 | 一种基于长短记忆网络的多重车辆轨迹预测方法 |
CN111401233A (zh) * | 2020-03-13 | 2020-07-10 | 商汤集团有限公司 | 轨迹预测方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
SUN JIANHUA; JIANG QINHONG; LU CEWU: "Recursive Social Behavior Graph for Trajectory Prediction", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE, 13 June 2020 (2020-06-13), pages 657 - 666, XP033805166, DOI: 10.1109/CVPR42600.2020.00074 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114239974B (zh) * | 2021-12-21 | 2022-10-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114379595A (zh) * | 2022-02-22 | 2022-04-22 | 无锡物联网创新中心有限公司 | 基于车辆行为特征与环境交互信息的车辆轨迹预测方法 |
CN114882426A (zh) * | 2022-04-06 | 2022-08-09 | 华中科技大学 | 一种基于语义一致性的轨迹预测方法及装置 |
CN115071762A (zh) * | 2022-08-22 | 2022-09-20 | 北京理工大学前沿技术研究院 | 面向城市场景下行人轨迹预测方法、模型及存储介质 |
CN115071762B (zh) * | 2022-08-22 | 2022-12-16 | 北京理工大学前沿技术研究院 | 面向城市场景下行人轨迹预测方法、模型及存储介质 |
CN118037764A (zh) * | 2024-02-01 | 2024-05-14 | 淮阴工学院 | 一种多摄像头的室内行人异常轨迹预警方法、装置及介质 |
CN118037764B (zh) * | 2024-02-01 | 2024-09-20 | 淮阴工学院 | 一种多摄像头的室内行人异常轨迹预警方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2023503527A (ja) | 2023-01-30 |
CN111401233A (zh) | 2020-07-10 |
KR20220087561A (ko) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021180130A1 (zh) | 轨迹预测 | |
Sadeghian et al. | Sophie: An attentive gan for predicting paths compliant to social and physical constraints | |
Wang et al. | Stepwise goal-driven networks for trajectory prediction | |
CN111091708B (zh) | 车辆轨迹预测方法及装置 | |
EP3427194B1 (en) | Recurrent networks with motion-based attention for video understanding | |
Chen et al. | Vehicle trajectory prediction based on intention-aware non-autoregressive transformer with multi-attention learning for Internet of Vehicles | |
Cai et al. | Environment-attention network for vehicle trajectory prediction | |
WO2018059300A1 (zh) | 行走行为的预测方法和装置、数据处理装置和电子设备 | |
US20170262996A1 (en) | Action localization in sequential data with attention proposals from a recurrent network | |
Saxena et al. | D-GAN: Deep generative adversarial nets for spatio-temporal prediction | |
CN113139446B (zh) | 一种端到端自动驾驶行为决策方法、系统及终端设备 | |
CN111798492B (zh) | 轨迹预测方法、装置、电子设备及介质 | |
Saleh et al. | Long-term recurrent predictive model for intent prediction of pedestrians via inverse reinforcement learning | |
He et al. | IRLSOT: Inverse reinforcement learning for scene‐oriented trajectory prediction | |
Li et al. | Graph-based topology reasoning for driving scenes | |
CN115690153A (zh) | 一种智能体轨迹预测方法及系统 | |
Ke et al. | Deep multi-view depth estimation with predicted uncertainty | |
CN116399360A (zh) | 车辆路径规划方法 | |
Zhao et al. | End‐to‐end autonomous driving decision model joined by attention mechanism and spatiotemporal features | |
Xu et al. | Multi-View Fusion Driven 3D Point Cloud Semantic Segmentation Based on Hierarchical Transformer | |
Xiang et al. | A fast and map-free model for trajectory prediction in traffics | |
Zhang et al. | Research on the Application of Computer Vision Based on Deep Learning in Autonomous Driving Technology | |
Mazhar et al. | Gem: Glare or gloom, i can still see you–end-to-end multi-modal object detection | |
Shen et al. | Group multi-object tracking for dynamic risk map and safe path planning | |
Li et al. | Hybrid Kalman Recurrent Neural Network for Vehicle Trajectory Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21767590 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2022532611 Country of ref document: JP Kind code of ref document: A Ref document number: 20227018513 Country of ref document: KR Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21767590 Country of ref document: EP Kind code of ref document: A1 |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 28.03.2023) |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21767590 Country of ref document: EP Kind code of ref document: A1 |